← Zurück / Back to Thesis Topics · (neu) · Geometry Learning
Geo2Vec für Building Simplification und Aggregation
In diesem Thema untersuchen wir, wie Geo2Vec-Repräsentationen genutzt werden können, um Vektorgebäudegeometrien robust zu vereinfachen (simplification) und zu aggregieren (aggregation). Ziel ist ein datengetriebener Workflow, der geometrische Qualität und topologische Konsistenz berücksichtigt.
Quelle / Source: GeoNeuralRepresentation Repository, Figure “Geo2Vec Intuition” (GitHub).
Datenbasis
Als zentrale Datengrundlage verwenden wir den Stuttgart-Datensatz, d. h. den Stuttgart-Datensatz mit mehrmaßstäblichen Kartendaten (multi-scale map data) für Gebäudedarstellungen. Referenz: Feng et al. (2019), ISPRS IJGI 8(6):258.
Erwartete Ergebnisse
- Master-Niveau: Vollständige Pipeline für building simplification + aggregation, inklusive Evaluation (z. B. Formtreue, Topologie, Generalisierungsqualität).
- Bachelor-Niveau: Reproduktion und Erweiterung der Formrekonstruktion mit Geo2Vec-Embedding sowie prototypische Vereinfachung einzelner Gebäudeformen.
English Summary
This topic explores Geo2Vec-based representation learning for vector building simplification and aggregation. The master-level target is an end-to-end pipeline for simplification plus aggregation with quantitative evaluation. The bachelor-level target focuses on shape reconstruction and a prototype simplification workflow. The main dataset is the Stuttgart multi-scale map dataset.
References
- Code repository: GeoNeuralRepresentation (Geo2Vec)
- Paper/Method reference: Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities
- Dataset reference: Stuttgart multi-scale map data.
- Paper reference: https://www.mdpi.com/2220-9964/8/6/258