Statistisches relationales Lernen von semantischen Modellen und Grammatikregeln für die 3D-Gebäudemodellierung aus 3D-Punktwolken

Die Dissertation von Youness Dehbi behandelt das statistische relationale Lernen von semantischen Modellen und Grammatikregeln für die 3D-Gebäudemodellierung aus 3D-Punktwolken. Der Fokus liegt auf der Entwicklung von Verfahren, die den Aufwand für die Erstellung von Grammatikregeln reduzieren. Diese Regeln sind entscheidend für die Rekonstruktion von Städten und Gebäuden. Die Arbeit zeigt, dass formale Grammatiken sich gut zur Schätzung von Modellen mit unbekannter Parameteranzahl eignen. Die Herausforderung besteht darin, die Vielfalt und Komplexität der Gebäude zu erfassen. Ein inkrementeller Ansatz wird verfolgt, um das Lernen der Strukturen von den Parameterverteilungen zu trennen. Dies ermöglicht eine effizientere Modellierung und eine bessere Handhabung der Unsicherheiten in den Daten.

Die Dissertation stützt sich auf verschiedene maschinelle Lerntechniken, insbesondere die Induktive Logische Programmierung (ILP). Diese Techniken werden erstmals im Bereich der 3D-Gebäudemodellierung angewendet. Der Einsatz von ILP ermöglicht das Lernen deklarativer logischer Programme, die die Repräsentation von Gebäuden von der Rekonstruktionsaufgabe trennen. Die Arbeit hebt hervor, dass die Kombination von Wahrscheinlichkeitsdichteverteilungen, Entscheidungsbäumen und unsicherer projektiver Geometrie entscheidend ist, um mit unsicheren topologischen Relationen umzugehen. Diese Ansätze sind besonders wertvoll, da sie die Unsicherheit der Modelle selbst abbilden und somit die Robustheit der Ergebnisse erhöhen.

Die Methodik umfasst die Entwicklung eines Verfahrens zum Lernen von gewichteten attributierten kontextfreien Grammatiken (WACFG). Hierbei wird die Struktur von Fassaden aus annotierten Herleitungbäumen mittels Support Vector Maschinen (SVMs) gelernt. Diese Maschinen sind in der Lage, probabilistische Modelle aus strukturierten Daten abzuleiten. Zudem wird das statistische relationale Lernen (SRL) eingesetzt, um Parameter von Gebäuden sowie die Relationen zwischen ihren Bestandteilen zu lernen. Die Dissertation zeigt, dass SRL eine elegante Verbindung zwischen logischen Beschreibungen und statistischen Inferenzmethoden ermöglicht. Dies ist besonders relevant für die 3D-Gebäudemodellierung, da es die Effizienz und Genauigkeit der Modellierung verbessert.

Die Ergebnisse der Dissertation belegen, dass die entwickelten Verfahren zur automatischen Erkennung von Translations- und Spiegelsymmetrien in der Architektur von großem Nutzen sind. Die Algorithmen zur Induktion von Grammatikregeln aus Grundrissdaten zeigen, dass es möglich ist, komplexe architektonische Strukturen effizient zu modellieren. Die Arbeit hat praktische Anwendungen in der Stadtplanung und der Architektur, da sie die Erstellung von 3D-Stadtmodellen erleichtert. Die Ansätze können auch in der Denkmalpflege und der Rekonstruktion historischer Gebäude eingesetzt werden. Die Dissertation leistet somit einen wertvollen Beitrag zur Weiterentwicklung der 3D-Gebäudemodellierung und zur Anwendung von maschinellem Lernen in der Geodäsie.