ISPRS-Datensatz Zur Fernerkundung Der Städtischen Segmentierung

Datensatzhintergrund

Eines der Hauptthemen der Photogrammetrie ist die automatische Extraktion urbaner Objekte aus Daten, die von luftgestützten Sensoren erfasst werden. Diese Aufgabe ist eine Herausforderung, da Objekte wie Gebäude, Straßen, Bäume und Autos in hochauflösenden Daten sehr uneinheitlich erscheinen, was zu einer großen Varianz innerhalb der Klassen und einer geringen Varianz zwischen den Klassen führt. Der Schwerpunkt liegt auf einer detaillierten semantischen 2D-Segmentierung und der Zuweisung von Bezeichnungen für mehrere Objektkategorien. Weitere Forschungstreiber sind hochauflösende Daten von neuen Sensoren und fortschrittliche Verarbeitungstechniken, die auf immer ausgefeilteren Techniken des maschinellen Lernens basieren. Trotz enormer Anstrengungen können diese Aufgaben noch nicht als gelöst gelten. Nach unserem Kenntnisstand gibt es derzeit keine vollständig automatisierten Methoden zur 2D-Objekterkennung, die in der Praxis eingesetzt werden, obwohl diese Aufgabe seit mindestens zwei Jahrzehnten erforscht wird. Ein großes Hindernis für den wissenschaftlichen Fortschritt ist das Fehlen standardisierter Datensätze zur Bewertung der Objektextraktion, was den experimentellen Vergleich der Ergebnisse verschiedener Methoden erschwert. Dieser Datensatz soll diese Frage beantworten.

Zu diesem Zweck stellte das Forschungsteam zwei hochmoderne Datensätze mit Luftbilddaten bereit, die aus hochauflösenden True-Orthophoto-Kacheln (TOP) bestehen. Beide Bereiche decken urbane Szenen ab. Während Vaihingen ein relativ kleines Dorf mit vielen Einzelgebäuden und kleinen Hochhäusern ist, präsentiert sich Potsdam als typische historische Stadt mit großen Gebäudekomplexen, engen Gassen und einer dichten Siedlungsstruktur.

Datensatzstruktur

Der Datensatz enthält zweidimensionale semantische Segmentierungen von Stadtgebieten wie Vaihingen, Potsdam und Toronto.
Jeder Datensatz wurde manuell in die sechs häufigsten Landbedeckungsklassen eingeteilt:

• Undurchlässige Oberfläche (BGR: 255, 255, 255)
• Gebäude (BGR: 0, 0, 255)
• Niedrige Vegetation (BGR: 0, 255, 255)
• Baum (BGR: 0, 255, 0)
• Auto (BGR: 255, 255, 0)
• Unordnung/Hintergrund (BGR: 255, 0, 0)

Zur Klasse „Clutter/Background“ zählen Gewässer (die in zwei Bildern mit Teilen eines Flusses erscheinen) und andere Objekte, die sich optisch stark von anderen Objekten unterscheiden (z. B. Container, Tennisplätze, Schwimmbäder) und für die semantische Objektklassifizierung in urbanen Szenen im Allgemeinen nicht von Interesse sind.