Original paper

Identifying Architectural Style in 3D City Models with Support Vector Machines

Römer, Christoph; Plümer, Lutz

Abstract

The purpose of the study presented here is to enrich low resolution (LOD1) 3D city models with semantic information about the architectural style of buildings. The focus is on identifying Wilhelminian-style buildings - terraced houses with three to four oors, high storeys, richly deco rated facades and an architectural style typical for the turn of the 20th century. We use this example for the evaluation of the potential of Support Vector Machines (SVMs) for data mining in 3D city models. Identi cation of Wilhelminian-style buildings with low level data is demanding since most distinguishing characteristics are on higher levels of detail. However, Wilhelminian-style buildings tend to form speci c ensembles of buildings with similar shape, thus context information is signi cant. After careful pre-processing, feature extraction, and feature weighting, a Support Vector Machine with a radial basis function as kernel was trained. In contrast to other classi ers which minimize the em pirical, Support Vector Machines are based on structural risk minimization. This approach turned out to be especially useful for a task where the respective classes are highly inhomogeneous and a high percentage of the training data is mislabeled. In order to reduce the effect of the latter, an outlier detection was applied as part of the pre-processing. Above, a clustering algorithm was used to cope with hidden structures in the training data. Despite dif cult boundary conditions, the SVM classi er was able to detect Wilhelminian-style houses with high accuracy. This demonstrates the high potential of Support Vector Machines for data mining in 3D City Models. However, intelligent pre-processing and kernel parameter optimization are necessary.

Kurzfassung

Erkennung des Gebäude-Ar- chitekturstils in 3D Stadtmodellen mit Support Vek- tor Maschinen. Das Ziel der hier prä sentierten Studie ist es, 3D Stadtmodelle mit geringer Au ösung (LOD1) mit semantischen Informationenü ber den Architekturstil der Gebäude anzureichern. Der Fo kus liegt dabei auf Grü nderzeithä usern- Reihenhä user mit drei bis vier Stockwerken, hohen Rä umen, reichhaltig verzierten Fassaden und einem Ar chitekturstil, welcher fü r die Wende zum 20ten Jahrhundert typisch ist. Das Beispiel wird fü r die Evaluierung des Potentials der Support Vektor Maschinen fü r Data-Mining in 3D Stadtmodellen benutzt. Die Identi zierung von Gründerzeithäusern in niedrig aufgelösten Daten ist anspruchsvoll, da die charakte ristischsten Merkmale dieser Gebä ude erst in einem höheren Detailgrad beobachtbar sind. Allerdings las sen sich Gründerzeithäuser oftmals zu spezi schen Gruppen von Häusern mit ähnlicher Form zuordnen, wodurch Kontextinformationen wichtig werden. Nach einer Vorverarbeitung der vorhandenen Daten, einer Merkmalsextraktion und einer Merkmalsgewichtung wird eine Support Vektor Maschine (SVM) mit radialen Basisfunktionen als Kernel trainiert. Im Gegensatz zu anderen Klassi katoren, welche das empirische Risiko der Fehlklassi kation minimie ren, basieren SVMs auf dem Prinzip der strukturellen Risikominimierung. Dieses Vorgehen ist besonders nützlich für Aufgaben, wo die Klassen beson ders inhomogen und die Trainingsdaten zu einem hohen Prozentsatz falsch vorklassi ziert sind. Um letzteren Effekt zu reduzieren, wurde eine Ausrei ßersuche bei der Vorverarbeitung der Daten angewendet. Zusä tzlich wurde eine Cluster-Methode genutzt, um unbekannte Zusammenhä nge in den Trainingsdaten auszunutzen. Trotz der schwierigeren Randbedingungen war der Klassi kator in der Lage, Grü nderzeithä user in dem Stadtmodell mit hoher Genauigkeit zu prä dizieren. Dies zeigt, dass Support Vektor Maschinen ein großes Potential haben fü r Data-Mining in 3D Stadtmodellen. Eine geschickte Datenvorverarbeitung und Optimierung der Kernelparameter sind jedoch immer noch notwendig.

Keywords

support vector machinescity modeldata miningpattern recognitioncitygml