Zur Erforschung von Siedlungen spielen Informationen zu Gebäudebeständen eine bedeutende Rolle. Da Informationen zum Gebäudebestand oft nicht in ihrer räumlichen und inhaltlichen Detailliertheit gegeben sind, kommen zunehmend maschinelle Lernverfahren zum Einsatz, um auf Basis von geometrisch-topologischen Eigenschaften der Gebäude einen bestimmten Gebäudetyp oder andere Eigenschaften für ganze Städte und Regionen abzuleiten. Diese prädiktiven, datengetriebenen Ansätze benötigen jedoch stets eine ausreichende Menge an Trainings- und Validierungsdaten. Erfahrungen aus anderen Disziplinen haben gezeigt, dass Crowdsourcing das Potenzial bietet, den Prozess der Gewinnung von Trainings- und Validierungsdaten zu unterstützen. Es wird ein integriertes System zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt, das durch eine Crowdsourcing-Komponente zur Erfassung von Referenzdaten ergänzt wird und erste Ergebnisse einer experimentellen Studie zeigt.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:21272 |
| Date | 22 May 2018 |
| Creators | Hecht, Robert, Kalla, Matthias, Krüger, Tobias |
| Contributors | Leibniz-Institut für ökologische Raumentwicklung e. V. (IÖR) |
| Publisher | Rhombos-Verlag |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:conferenceObject, info:eu-repo/semantics/conferenceObject, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 978-3-944101-73-6, urn:nbn:de:bsz:14-qucosa2-172489, qucosa:17248 |
Page generated in 0.002 seconds