Fusion of Remote Sensing Images and Social Media Text Messages for Building Function Classification

Häberle, Matthias

User: Guest

Meßtechnik, Steuerungs- und Regelungstechnik, Automation

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Fusion of Remote Sensing Images and Social Media Text Messages for Building Function Classification
Translated title:: Fusion von Fernerkundungsdaten und Textnachrichten aus Sozialen Medien für die Klassifizierung von Gebäudefunktionen
Author:: Häberle, Matthias
Year:: 2022
Document type:: Dissertation
Faculty/School:: TUM School of Engineering and Design
Advisor:: Zhu, Xiaoxiang (Prof. Dr. habil.)
Referee:: Zhu, Xiaoxiang (Prof. Dr. habil.); Tuia, Devis (Prof., Ph.D.); Kochupillai, Mrinalini (Prof. Dr.)
Language:: en
Subject group:: TEC Technik, Ingenieurwissenschaften (allgemein)
Keywords:: fusion, remote sensing, urban remote sensing, multilanguage, nlp, natural language processing
TUM classification:: BAU 967; MSR 915
Abstract:: Detailed data about urban land-use, like building functions, is useful to governments for resource planning. To detect building functions, satellite imagery could be too course. In this work, individual buildings from 42 cities are classified with multilingual tweets and fused with high-resolution remote sensing imagery. After fusing the modalities, an overall accuracy of 75% can be achieved. The remote sensing and text features seem complementary and data fusion can improve the results.
Translated abstract:: Genaue Daten über Gebäudefunktionen sind für lokale Regierungen wichtig, um Ressourcen planen zu können. Satellitenbilder könnten zur Bestimmung dieser Funktionen zu grob aufgelöst sein. Daher werden in dieser Arbeit individuelle Gebäude aus 42 Städten zusätzlich mit mehrsprachigen Tweets klassifiziert und mit hochauflösenden Luftbildern fusioniert. Dadurch wird eine Genauigkeit von 75% erreicht. Bild- und Textmerkmale scheinen komplementär. Deshalb kann die Fusion die Ergebnisse verbessern.
WWW:: https://mediatum.ub.tum.de/?id=1637448
Date of submission:: 26.01.2022
Oral examination:: 13.09.2022
File size:: 18500547 bytes
Pages:: 134
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220913-1637448-1-8
Last change:: 11.10.2022
BibTeX