91 |
Heterogeneous Visualization of Complex Traffic Data and KnowledgeOertel, Wolfgang 27 June 2024 (has links)
A software concept is described allowing the generation of graphic presentations of data and knowledge occurring in real traffic applications. Inputs coming from different sources are transformed into unified structures building the basis for a variety of final visualizations. / Ein Softwarekonzept wird beschrieben, das die Erzeugung grafischer Darstellungen von Daten und Wissen auftretend in realen Verkehrsanwendungen erlaubt. Eingaben aus unterschiedlichen Quellen werden in einheitliche Strukturen überführt, die als Basis für eine Vielzahl von finalen Visualisierungen dienen.
|
92 |
Temporal slowness as an unsupervised learning principleBerkes, Pietro 31 January 2006 (has links)
In dieser Doktorarbeit untersuchen wir zeitliche Langsamkeit als Prinzip für die Selbstorganisation des sensorischen Kortex sowie für computer-basierte Mustererkennung. Wir beginnen mit einer Einführung und Diskussion dieses Prinzips und stellen anschliessend den Slow Feature Analysis (SFA) Algorithmus vor, der das matemathisches Problem für diskrete Zeitreihen in einem endlich dimensionalen Funktionenraum löst. Im Hauptteil der Doktorarbeit untersuchen wir zeitliche Langsamkeit als Lernprinzip für rezeptive Felder im visuellen Kortex. Unter Verwendung von SFA werden Transformationsfunktionen gelernt, die, angewendet auf natürliche Bildsequenzen, möglichst langsam variierende Merkmale extrahieren. Die Funktionen können als nichtlineare raum-zeitliche rezeptive Felder interpretiert und mit Neuronen im primären visuellen Kortex (V1) verglichen werden. Wir zeigen, dass sie viele Eigenschaften von komplexen Zellen in V1 besitzen, nicht nur die primären, d.h. Gabor-ähnliche optimale Stimuli und Phaseninvarianz, sondern auch sekundäre, wie Richtungsselektivität, nicht-orthogonale Inhibition sowie End- und Seiteninhibition. Diese Resultate zeigen, dass ein einziges unüberwachtes Lernprinzip eine solche Mannigfaltigkeit an Eigenschaften begründen kann. Für die Analyse der mit SFA gelernten nichtlinearen Funktionen haben wir eine Reihe mathematischer und numerischer Werkzeuge entwickelt, mit denen man die quadratischen Formen als rezeptive Felder charakterisieren kann. Wir erweitern sie im weiteren Verlauf, um sie von allgemeinerem Interesse für theoretische und physiologische Modelle zu machen. Den Abschluss dieser Arbeit bildet die Anwendung des Prinzips der zeitlichen Langsamkeit auf Mustererkennungsprobleme. Die fehlende zeitliche Struktur in dieser Problemklasse erfordert eine Modifikation des SFA-Algorithmus. Wir stellen eine alternative Formulierung vor und wenden diese auf eine Standard-Datenbank von handgeschriebenen Ziffern an. / In this thesis we investigate the relevance of temporal slowness as a principle for the self-organization of the visual cortex and for technical applications. We first introduce and discuss this principle and put it into mathematical terms. We then define the slow feature analysis (SFA) algorithm, which solves the mathematical problem for multidimensional, discrete time series in a finite dimensional function space. In the main part of the thesis we apply temporal slowness as a learning principle of receptive fields in the visual cortex. Using SFA we learn the input-output functions that, when applied to natural image sequences, vary as slowly as possible in time and thus optimize the slowness objective. The resulting functions can be interpreted as nonlinear spatio-temporal receptive fields and compared to neurons in the primary visual cortex (V1). We find that they reproduce (qualitatively and quantitatively) many of the properties of complex cells in V1, not only the two basic ones, namely a Gabor-like optimal stimulus and phase-shift invariance, but also secondary ones like direction selectivity, non-orthogonal inhibition, end-inhibition and side-inhibition. These results show that a single unsupervised learning principle can account for a rich repertoire of receptive field properties. In order to analyze the nonlinear functions learned by SFA in our model, we developed a set of mathematical and numerical tools to characterize quadratic forms as receptive fields. We expand them in a successive chapter to be of more general interest for theoretical and physiological models. We conclude this thesis by showing the application of the temporal slowness principle to pattern recognition. We reformulate the SFA algorithm such that it can be applied to pattern recognition problems that lack of a temporal structure and present the optimal solutions in this case. We then apply the system to a standard handwritten digits database with good performance.
|
93 |
Analyseergebnisse zum Gebäudebestand in Deutschland auf der Grundlage von GeobasisdatenBehnisch, Martin, Hagemann, Ulrike, Meinel, Gotthard 10 February 2015 (has links) (PDF)
Seit 2010 werden die Geobasisprodukte „Amtliche Hausumringe“ und „Amtliche Hauskoordinaten“ (auch georeferenzierte Adressdaten genannt) – geometrische Teilauszüge der Automatisierten Liegenschaftskarte (ALK) – von der Zentralen Stelle für Hauskoordinaten, Hausumringe und 3D-Gebäudemodelle (ZSHH) der Bezirksregierung Köln für länderübergreifende oder bundesweite Untersuchungen angeboten. Erstmals sind dadurch umfassendere Untersuchungen zum deutschen Gebäudebestand möglich und Ausdifferenzierungen nach Menge, geometrischer Eigenschaften (u. a. Gebäudetyp) sowie seiner Nutzung durchführbar. Das Analysepotenzial ist aber noch weitaus größer, da sowohl auf administrativer Ebene als auch auf Rasterebene räumliche Muster für unterschiedliche thematische Fragestellungen abbildbar werden. Das raumbezogene Informationsinstrument Monitor der Siedlungs- und Freiraumentwicklung (IÖR-Monitor) ist eine wissenschaftliche Dienstleistung des Leibniz-Instituts für ökologische Raumentwicklung und stellt seit 2012 auch Gebäudeindikatoren auf Grundlage dieser Katasterdaten bereit. In diesem Beitrag werden dazu erste Arbeitsergebnisse vorgestellt.
|
94 |
Automatische Erkennung von Gebäudetypen auf Grundlage von GeobasisdatenHecht, Robert January 2013 (has links)
Für die kleinräumige Modellierung und Analyse von Prozessen im Siedlungsraum spielen gebäudebasierte Informationen eine zentrale Rolle. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung werden die Gebäude in ihrem Grundriss modelliert. Semantische Informationen zur Gebäudefunktion, der Wohnform oder dem Baualter sind in den Geobasisdaten nur selten gegeben.
In diesem Beitrag wird eine Methode zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt mit dem Ziel, diese für die Ableitung kleinräumiger Informationen zur Siedlungsstruktur zu nutzen. Dabei kommen Methoden der Mustererkennung und des maschinellen Lernens zum Einsatz. Im Kern werden Gebäudetypologie, Eingangsdaten, Merkmalsgewinnung sowie verschiedene Klassifikationsverfahren hinsichtlich ihrer Genauigkeit und Generalisierungsfähigkeit untersucht. Der Ensemble-basierte Random-Forest-Algorithmus zeigt im Vergleich zu 15 weiteren Lernverfahren die höchste Generalisierungsfähigkeit und Effizienz und wurde als bester Klassifikator zur Lösung der Aufgabenstellung identifiziert.
Für Gebäudegrundrisse im Vektormodell, speziell den Gebäuden aus der ALK, dem ALKIS® oder dem ATKIS® Basis-DLM sowie den amtlichen Hausumringen und 3D-Gebäudemodellen, kann mit dem Klassifikator für alle städtischen Gebiete eine Klassifikationsgenauigkeit zwischen 90 % und 95 % erreicht werden. Die Genauigkeit bei Nutzung von Gebäudegrundrissen extrahiert aus digitalen topographischen Rasterkarten ist mit 76 % bis 88 % deutlich geringer.
Die automatische Klassifizierung von Gebäudegrundrissen leistet einen wichtigen Beitrag zur Gewinnung von Informationen für die kleinräumige Beschreibung der Siedlungsstruktur. Neben der Relevanz in den Forschungs- und Anwendungsfeldern der Stadtgeographie und Stadtplanung sind die Ergebnisse auch für die kartographischen Arbeitsfelder der Kartengeneralisierung, der automatisierten Kartenerstellung sowie verschiedenen Arbeitsfeldern der Geovisualisierung relevant.
|
95 |
Analyseergebnisse zum Gebäudebestand in Deutschland auf der Grundlage von GeobasisdatenBehnisch, Martin, Hagemann, Ulrike, Meinel, Gotthard January 2013 (has links)
Seit 2010 werden die Geobasisprodukte „Amtliche Hausumringe“ und „Amtliche Hauskoordinaten“ (auch georeferenzierte Adressdaten genannt) – geometrische Teilauszüge der Automatisierten Liegenschaftskarte (ALK) – von der Zentralen Stelle für Hauskoordinaten, Hausumringe und 3D-Gebäudemodelle (ZSHH) der Bezirksregierung Köln für länderübergreifende oder bundesweite Untersuchungen angeboten. Erstmals sind dadurch umfassendere Untersuchungen zum deutschen Gebäudebestand möglich und Ausdifferenzierungen nach Menge, geometrischer Eigenschaften (u. a. Gebäudetyp) sowie seiner Nutzung durchführbar. Das Analysepotenzial ist aber noch weitaus größer, da sowohl auf administrativer Ebene als auch auf Rasterebene räumliche Muster für unterschiedliche thematische Fragestellungen abbildbar werden. Das raumbezogene Informationsinstrument Monitor der Siedlungs- und Freiraumentwicklung (IÖR-Monitor) ist eine wissenschaftliche Dienstleistung des Leibniz-Instituts für ökologische Raumentwicklung und stellt seit 2012 auch Gebäudeindikatoren auf Grundlage dieser Katasterdaten bereit. In diesem Beitrag werden dazu erste Arbeitsergebnisse vorgestellt.
|
96 |
Automatische Klassifizierung von Gebäudegrundrissen: Ein Beitrag zur kleinräumigen Beschreibung der SiedlungsstrukturHecht, Robert 10 June 2013 (has links)
Für die Beantwortung verschiedener Fragestellungen im Siedlungsraum werden kleinräumige Informationen zur Siedlungsstruktur (funktional, morphologisch und sozio-ökonomisch) benötigt. Der Gebäudebestand spielt eine besondere Rolle, da dieser die physische Struktur prägt und sich durch dessen Nutzung Verteilungsmuster von Wohnungen, Arbeitsstätten und Infrastrukturen ergeben. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung sind die Gebäude in ihrem Grundriss modelliert. Diese besitzen allerdings nur selten explizite semantische Informationen zum Gebäudetyp. Es stellt sich die Frage, ob und wie genau eine automatische Erkennung von Gebäudetypen unter Nutzung von Methoden der Geoinformatik, der Mustererkennung und des maschinellen Lernens möglich ist.
In diesem Buch werden methodische Bausteine zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt. Im Kern werden Fragen beantwortet zu den Datenanforderungen, der Gebäudetypologie, der Merkmalsgewinnung sowie zu geeigneten Klassifikationsverfahren und den Klassifikationsgenauigkeiten, die abhängig von Eingangsdaten, Siedlungstyp und Trainingsdatenmenge erzielt werden können. Der Random-Forest-Algorithmus zeigte die höchste Flexibilität, Generalisierungsfähigkeit und Effizienz und wurde als bestes Klassifikationsverfahren identifiziert.
Die Arbeit leistet einen wichtigen Beitrag zur Gewinnung kleinräumiger Informationen zur Siedlungsstruktur. Die entwickelte Methodik ermöglicht ein breites Anwendungsspektrum in der Wissenschaft, Planung, Politik und Wirtschaft (u. a. Stadt- und Regionalplanung, Infrastrukturplanung, Risikomanagement, Energiebedarfsplanung oder dem Geomarketing).:Vorwort .................................................................................................. I
Danksagung ......................................................................................... III
Kurzfassung und Thesen ....................................................................... V
Abstract and Theses ............................................................................. IX
Inhaltsverzeichnis ................................................................................ XV
1 Einleitung ............................................................................................ 1
2 Grundlagen zur Siedlungsstruktur .................................................... 11
3 Methodische Grundlagen der Mustererkennung .............................. 57
4 Forschungsstand .............................................................................. 95
5 Konzeptionelle Vorüberlegungen .................................................... 113
6 Mögliche Datenquellen zum Gebäudegrundriss .............................. 127
7 Entwicklung des Verfahrens ........................................................... 143
8 Ergebnisse und Diskussion ............................................................. 201
9 Schlussfolgerungen und Ausblick .................................................... 259
Literatur ............................................................................................. 275
Abkürzungsverzeichnis ...................................................................... 311
Abbildungsverzeichnis ....................................................................... 320
Tabellenverzeichnis ........................................................................... 323
Anhang
A Datengrundlagen zur Siedlungsstruktur ......................................... 327
B Gebäudetypologie .......................................................................... 343
C Merkmale ........................................................................................ 349
D Entwicklung des Klassifikators ........................................................ 365
E Genauigkeitsuntersuchung ............................................................. 375
F Exemplarische Anwendung von BFClassTool ................................... 395 / Building data are highly relevant for the small-scale description of settlement structures. Spatial base data from National Mapping and Cadastral Agencies describe the buildings in terms of the geometry but often lack semantic information on the building type. Here, methods for the automatic classification of building footprints are presented and discussed. The work addresses issues of data integration, data processing, feature extraction, feature selection, and investigates the accuracy of various classification methods. The results are of scientific, planning, policy and business interest at various spatial levels.:Vorwort .................................................................................................. I
Danksagung ......................................................................................... III
Kurzfassung und Thesen ....................................................................... V
Abstract and Theses ............................................................................. IX
Inhaltsverzeichnis ................................................................................ XV
1 Einleitung ............................................................................................ 1
2 Grundlagen zur Siedlungsstruktur .................................................... 11
3 Methodische Grundlagen der Mustererkennung .............................. 57
4 Forschungsstand .............................................................................. 95
5 Konzeptionelle Vorüberlegungen .................................................... 113
6 Mögliche Datenquellen zum Gebäudegrundriss .............................. 127
7 Entwicklung des Verfahrens ........................................................... 143
8 Ergebnisse und Diskussion ............................................................. 201
9 Schlussfolgerungen und Ausblick .................................................... 259
Literatur ............................................................................................. 275
Abkürzungsverzeichnis ...................................................................... 311
Abbildungsverzeichnis ....................................................................... 320
Tabellenverzeichnis ........................................................................... 323
Anhang
A Datengrundlagen zur Siedlungsstruktur ......................................... 327
B Gebäudetypologie .......................................................................... 343
C Merkmale ........................................................................................ 349
D Entwicklung des Klassifikators ........................................................ 365
E Genauigkeitsuntersuchung ............................................................. 375
F Exemplarische Anwendung von BFClassTool ................................... 395
|
Page generated in 0.1044 seconds