提出精進前項圖資測製技術自動化程度或品質方案

依據目前之工作項目，整理後提出精進圖資測製技術自動化程度或品 質之方案，藉此將三維地形圖資測製效率或品質提升，方法主要分為三個

部分：偵測、重建及升級為國際標準。

4.2.4.1 偵測：深度學習於三維地形圖測製

精進遷移學習的初始網路模型:由於本研究之訓練集資料樣本數不足，

多數的深度學習使用遷移學習(Transfer Learning)，遷移學習僅更新分類層 (Classification Layer) 的 參數，故可克服訓練 集計算過多參數之 問題 (圖 4-2-26)。在遷移學習中，常使用之初始網路模型包含 AlexNet 及 VGG16 等。

然而這些都是從 ImageNet 影像之訓練集產生，ImageNet 為近景測量所產生 之影像，特性與航遙測影像由上而下的拍攝大不相同，造成遷移學習成效 有限，故有必要使用航遙測影像建立初始網路模型，例如：使用 DeepSat 重新計算初始網路模型提升遷移學習之成效。

圖 4-2-26、遷移學習運作方式

(圖片來源：https://medium.com/free-code-camp/asl-recognition-using-transfer-learning-918ba054c004)

從現有圖資建立訓練集:良好的深度學習網路需要大量且多元的訓練集

Street Map)人工數化房屋成果，其偵測精確度可達到 95%以上(圖 4-2-27)。

本研究之訓練資料較少，若增加訓練樣本則可提升分類精度。由於各個國 家的地紋樣貌不相同，因此無法共用初始網路模型，目前臺灣已累積大量 空間圖資，例如：正射影像、大比例尺地形圖或臺灣通用電子地圖。若能 由既有的圖資進行加值應用，建立訓練區域，可望在未來能提升圖資測製 技術之品質與效率(Teo et al., 2019)。

圖 4-2-27、CrowdAI 房屋偵測成果

(圖片來源：https://www.crowdai.org/challenges/mapping-challenge)

4.2.4.2 重建：元件化與向量化

精進從特徵到圖徵:就目前的深度學習方法，在大量且多元的訓練資料 下，能有良好的偵測成果，並且能同時賦予物件對應的屬性類別，例如：

房屋、道路及植物區域。偵測結果對於製圖而言只能算是階段性產品，並 非地圖中最終使用的圖資，因此需要將深度學習所獲得之成果進行加值，

才能滿足地圖的需求，其主要的工作可分為兩個方向：元件化及向量化。

元件化是針對規範中的物件，例如道路的交通標線及人孔蓋，有一定的尺 寸並依照規範設置，因此可設置這類的物件圖徵資料庫(圖 4-2-28)，並建立 偵測結果與圖徵之關聯；向量化是針對沒有固定幾何外觀的物件，例如：

房屋形狀，對於此類物件之偵測結果進行正規化處理，以獲得二維向量圖 資(圖 4-2-29)。

圖 4-2-28、道路標線圖徵資料庫 圖 4-2-29、二維向量圖資

精 進 從 三 角 網 模 型 到 三 維 稜 面 體 模 型 : 多 視 角 影 像 密 匹 配 (Dense

用之空間資料。為了能實體化三維點雲資料，三維網格(Raster)及三角網模 型(或 Mesh)為常見的建模型式，其能提供良好的視覺展示效果，但缺乏語 意(Semntic)的物件(Object)概念，且沒有明確的屬性(Attrinute)與實體(Entity) 資料，無法進行更進一步的空間分析及查詢，大量的三角網也不利編輯。

建議發展自動化三維重建技術，補足製圖所需的向量化模型，將 3D Mesh Model(圖 4-2-30)重建為可進行空間分析之 3D Polyhedral Model(圖 4-2-31)。

圖 4-2-30、3D Mesh Model 圖 4-2-31、3D Polyhedral Model

4.2.4.3 國際標準

升級至 CityGML 3.0：OCG CityGML 將升級至 3.0 版，3.0 版將會做出 多重大變革，例如新增 Construction Module 模組、Space 及 SpaceBondaries 觀念，以提升與 BIM 的互操作性；新增 Dynmizer Module 加強與 IOT 的相 容性；新增 PointCloud Module 混合不同的幾何表示元件。未來也將刪去原 有的 LOD4 細緻度，將室內資訊融入到 LOD0 至 LOD3。本研究目前所使

用國際標準 OCG CityGML 2.0，建議升級三維資料至 OCG GML3.0，強化 現有的三維資料與其他領域整合之應用性。

4.2.5配合機關辦理 108 年度行政院災害防救應用科技方案(第 2 期)協助災後

快速製圖技術研發相關作業

本項工作建立三維房屋模型自動化辨識及重建流程，同時完成道路標 線自動化辨識及重建流程，可經由深度學習技術自動化重建三維房屋模型 及萃取道路標線，本研究開發之工具可應用於災後快速製圖技術。災後快 速製圖之目的為快速評估受災的範圍，其時效性是關鍵的因素，因此本案 以自動化方式發展房屋偵測及重建。未來建議採取的策略是前後期重建模 型的比對，即比較前後期自動偵測及形塑成果，理論上未受損的房屋改變 量較小，受損的房屋則會有明顯的差異，後續研究仍需真實資料進行技術 驗證。