Monika Sester教授在制图和地理信息领域的研究

10月29日,在研究组成员王瑶莉博士的主持下,Monika Sester教授受邀分享了她的团队及所在学院关于制图自动化、三维重建、地理大数据和移动性等多个领域的研究。

Monika Sester教授是德国汉诺威莱布尼兹大学制图与地理信息学院院长,并且曾担任该校副校长(2015-2017)。

下面分享讲座中提及的非常有趣的几个工作:

1

共享空间中的混合出行轨迹预测

通常,人们在道路上的共享区域(如交叉口)会表现出非常复杂的行为模式,且采用不同出行方式的人(如行人、骑车者和开车者)的行为表现往往各不相同,而传统模型难以处理混合交通方式下的复杂交互关系。因此,这项工作将出行者的坐标、视野区、类型以及周围出行者的类型编码作为特征,输入LSTM模型,以此预测未来的出行轨迹。结果表明:该模型能够模拟出行者面对复杂交通状况下的反应,并预测接下来至少3秒内的轨迹情况。

a Social-LSTM

b User-LSTM/

UserType-LSTM

c View-LSTM/

ViewType-LSTM

2

基于移动感知器的智能停车算法

如何帮助司机快速找到停车位是一个具有挑战性的问题。这项工作将出租车视作移动感知器,利用出租车轨迹,并结合道路中的摄像头,预测不同路段和时间段的停车位空闲情况。

3

基于CNN的点云属性分类

点云属性分类有两个方向,一是基于单点的分类,二是基于对象的分类。在基于单点的分类中,这项工作将3D点云投射为2D图像,以点云高度的最小值、平均值和最大值作为图像的三通道,输入CNN进行训练和预测,将单点分类成地面、非地面和汽车。基于对象的分类的主要目的是明确各类地形结构(如水体、深坑等),这项工作利用DTM数据,采样生成规则图像,输入CNN,预测水体和道路两种类别。

4

利用GAN为三维点云生成纹理

可输入季节、天气等参数,实现不同环境条件下的三维重建。

5

用聚类算法挖掘足球运动员的轨迹

采用聚类算法,对足球运动员的轨迹进行挖掘,提取出了足球运动员的典型运动模式。

6

利用社交媒体数据提取洪涝区

社交媒体上大量的VGI数据为紧急事件的响应提供了有利手段。这项工作利用tweeter上带有地理标签的文本和图片数据,探测洪涝灾害发生的地点。

Monika Sester教授精彩的分享结束后,同学们与她展开了讨论。

邢潇月同学针对社交媒体数据提取洪涝区的可靠性发表了看法:与洪涝灾害等热点事件相关的tweets往往会被大量转发,因此内容相关tweets的地理标签不仅应该包含现场目击者所在地,还应该包括大量非目击者的位置,这两者都会影响洪涝区发生地提取的准确性。Monika Sester教授肯定了邢潇月同学的观点,并指出如何分辨tweets是由当事人还是由旁观者发出是一个非常值得探究的课题。其后,其他同学也就自己的疑问与Monika Sester教授进行了交流。

在热烈的讨论后,团队成员与Monika Sester合影留念,讲座结束。

参考文献:

[1] Cheng, H., Sester, M. (2018). Mixed Traffic Trajectory Prediction Using LSTM–Based Models in Shared Space. In The Annual International Conference on Geographic Information Science (pp. 309-325). Springer, Cham.

[2] Bock, F., Di Martino, S., & Sester, M. (2017). Data-Driven Approaches for Smart Parking. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases (pp. 358-362). Springer, Cham.

[3] Bock, F., Attanasio, Y., & Di Martino, S. (2017). Spatio-temporal road coverage of probe vehicles: a case study on crowd-sensing of parking availability with taxis. In The Annual International Conference on Geographic Information Science(pp. 165-184). Springer, Cham.

[4] Feng, Y., Sester, M. (2018). Extraction of pluvial flood relevant volunteered geographic information (VGI) by deep learning from user generated texts and photos. ISPRS International Journal of Geo-Information, 7(2), 39.

[5] Politz, F., Kazimi, B., Sester, M. (2018). Classification of Laser Scanning Data Using Deep Learning. In 38. Wissenschaftlich-Technische Jahrestagung der DGPF und PFGK18 Tagung, München.

注明:部分文献由于尚未正式出版,因此未列出。

素材来源:S³-Lab

材料整理:杨 柳

内容排版:王雪辰

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181102G0MEW300?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券