通过知识图谱和多尺度数据集成推断高级地理概念：C形建筑模式识别案例研究

​

Inferring High-level Geographical Concepts via Knowledge Graph and
Multi-scale Data Integration: A Case Study of C-shaped Building Pattern
Recognition

解决问题：该论文旨在解决建筑物模式识别中存在的问题，尤其是C形建筑物模式的识别问题。现有的方法往往基于视觉感知规则和邻近图模型，但是由于人类视觉是一个基于部分的系统，因此模式识别可能需要将形状分解成部分或将它们分组为簇。现有方法可能无法识别所有可视的模式，而且邻近图模型可能效率低下。

关键思路：该论文的关键思路是使用知识图谱和多尺度数据集成来提高建筑物模式识别的效率和准确性。首先，使用属性图来表示涉及C形建筑物模式识别的不同尺度内和尺度间建筑物之间的关系。接下来，将这个知识图谱存储在图形数据库中，并将C形模式识别和丰富的规则转换为查询条件。最后，使用基于规则的推理在构建的知识图谱中识别和丰富C形建筑物模式。

其他亮点：该论文的实验使用了从高德地图收集的三个不同细节级别（LODs）的多尺度数据集，并证明了该方法的有效性和效率。该论文的工作值得继续深入研究，尤其是将该方法应用于其他建筑物模式的识别。

关于作者：Zhiwei Wei、Yi Xiao、Wenjia Xu、Mi Shu、Lu Cheng、Yang Wang和Chunbo Liu是本文的主要作者。他们来自中国的不同大学和研究机构。根据我的数据库，他们之前的代表作包括“基于深度学习的城市道路提取”（Wei等人，2017）、“基于多尺度数据的城市形态变化分析”（Xiao等人，2018）和“基于深度学习的城市建筑物检测”（Liu等人，2019）等。

相关研究：近期其他相关的研究包括“基于深度学习的城市建筑物识别”（Li等人，2020，中国科学院自动化研究所）、“利用卷积神经网络和图像分割的城市建筑物识别”（Wang等人，2020，南京大学）和“基于机器学习的城市形态分析”（Zhang等人，2021，北京大学）等。

论文摘要：本文介绍了一种利用知识图谱和多尺度数据集成的方法，以C形建筑模式识别为例，推断高层次地理概念。有效的建筑模式识别对于理解城市形态、自动化地图概括和可视化3D城市模型至关重要。大多数现有的研究使用基于视觉感知规则和接近性图模型的无对象独立方法来提取模式。然而，由于人类视觉是一个基于部件的系统，模式识别可能需要将形状分解成部分或将其分组成簇。现有的方法可能无法识别所有视觉感知模式，接近性图模型也可能效率低下。为了提高效率和效果，我们使用知识图谱集成多尺度数据，重点关注C形建筑模式的识别。首先，我们使用属性图来表示涉及C形建筑模式识别的不同尺度内和跨建筑之间的关系。接下来，我们将这个知识图谱存储在一个图形数据库中，并将C形模式识别和丰富的规则转换为查询条件。最后，我们使用基于规则推理的方法在构建的知识图谱中识别和丰富C形建筑模式。我们使用从高德地图收集的三个细节级别（LOD）的多尺度数据验证了我们方法的有效性。我们的结果显示，与现有方法相比，我们的方法在LOD1、LOD2和LOD3的召回率分别提高了26.4%、20.0%和9.1%。我们也分别实现了0.91、1.37和9.35倍的识别效率提升。

​Read More