Die Literatur zur Gebäude-Fußabdrucksegmentierung umfasst drei Hauptbereiche. Regelbasierte Methoden verlassen sich auf vordefinierte Regeln und Schwellenwerte, maschinelles Lernen nutzt Algorithmen für die Bildklassifizierung basierend auf Merkmalsextraktion und Deep Learning verwendet faltende neuronale Netzwerke. Darüber hinaus integriert die Datenfusion verschiedene Quellen, um die Genauigkeit während des Gebäude-Segmentierungsprozesses zu verbessern.
Im Bereich der regelbasierten Ansätze haben traditionell präzise vorgegebene Regeln oder Schwellenwerte für die Gebäude-Abgrenzung auf spektrale oder geometrische Merkmale zurückgegriffen. Regelbasierte Gebäudeerkennung steht jedoch vor Anpassungs- und Genauigkeitsproblemen bei hochauflösenden optischen Fernerkundungen, da diverse städtische Strukturen zu Fehlern führen. Maschinelles Lernen hat in der Gebäudeerkennung aus fernerkundlichen Orthofotos an Bedeutung gewonnen und verschiedene überwachte und unüberwachte Algorithmen für die pixel- oder objektbasierte Klassifikation eingesetzt. Die Integration von LiDAR-Daten mit hochauflösenden Bildern wurde untersucht, um die Merkmalsdarstellung für den Gebäudeextraktionsprozess zu verbessern.
Im Bereich der tiefen Lernansätze haben sich Konvolutionale neuronale Netzwerke als entscheidend erwiesen und eine bemerkenswerte Leistungsfähigkeit bei der Pixel-basierten oder objektbasierten semantischen Segmentierung auf Orthofotos gezeigt. Die Integration von mehreren Datenquellen stellt jedoch Herausforderungen und Chancen dar, die sorgfältige Überlegungen erfordern, um optimale Ergebnisse zu erzielen. Die Datenfusion, die Daten aus verschiedenen Quellen kombiniert, um ein neues Datenset zu schaffen, das qualitativ hochwertigere Informationen liefert als die individuellen Quellen, spielt eine entscheidende Rolle bei der Gebäude-Fußabdrucksegmentierung.
Insgesamt ist die Datenfusion ein entscheidendes Verfahren bei der Gebäude-Fußabdrucksegmentierung, da sie die Informationen aus verschiedenen Quellen nutzt, um verbesserte Datensätze auf verschiedenen Ebenen zu generieren. Trotz Fortschritten in den Datenfusions-Techniken bestehen weiterhin Herausforderungen wie die Integration von multiplen Datenquellen, Kompatibilitätsprobleme und fehlende oder unvollständige Modalitäten. Durch die Integration zusätzlicher Höheninformationen kann die Segmentierungsqualität für die Gebäude-Fußabdruckextraktion deutlich verbessert werden. Insgesamt ist die Datenfusion ein Schlüsselelement für die Weiterentwicklung der Gebäudeerkennung und -segmentierung in komplexen städtischen Umgebungen.