基于图顶点深度聚类的建筑物合并方法
P283; 建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段.基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性.针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用 自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并.试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征.合并过程具有一定灵活性,合并结果能较好满足地图可...
Saved in:
| Published in | 测绘学报 Vol. 53; no. 4; pp. 736 - 749 |
|---|---|
| Main Authors | , , |
| Format | Journal Article |
| Language | Chinese |
| Published |
中国地质大学(武汉)计算机学院,湖北武汉 430078
13.05.2024
国家地理信息系统工程技术研究中心,湖北武汉 430078 中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074 国家地理信息系统工程技术研究中心,湖北武汉 430078%中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074%中国地质大学(武汉)计算机学院,湖北武汉 430078 |
| Subjects | |
| Online Access | Get full text |
| ISSN | 1001-1595 |
| DOI | 10.11947/j.AGCS.2024.20230316 |
Cover
| Abstract | P283; 建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段.基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性.针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用 自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并.试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征.合并过程具有一定灵活性,合并结果能较好满足地图可视化要求. |
|---|---|
| AbstractList | P283; 建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段.基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性.针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用 自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并.试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征.合并过程具有一定灵活性,合并结果能较好满足地图可视化要求. |
| Abstract_FL | Building element aggregation is pivotal for simplifying spatial structures in cartographic generalization.Conventional rule-based aggregation methods often cannot simultaneously consider the morphological and distributional characteristics of the features,because they are heavily influenced by preset algorithm parameters and lack flexibility in the cartographic generalizing process.To fill these limitations,this paper proposes a building aggregation model based on deep clustering of graph vertices.The model utilizes the Delaunay triangulation network to construct a representation graph model of building groups and com-bines an autoencoder and graph convolutional network to learn the subdivided triangles'geometric shapes and spatial distribu-tion features.A self-supervised learning approach is employed to cluster and classify the triangles into the categories of"retain"and"delete".Consequently,it aggregates buildings intelligently in an end-to-end manner without relying on predefined sam-ples.The experimental results demonstrate that the proposed method reduces reliance on preset aggregation parameters while simultaneously considering building elements'morphology and distribution features.The aggregation process exhibits a certain degree of flexibility,resulting in aggregated buildings better aligning with the requirements of map visualization. |
| Author | 鲁谢春 徐永洋 陈占龙 |
| AuthorAffiliation | 中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074;中国地质大学(武汉)计算机学院,湖北武汉 430078;国家地理信息系统工程技术研究中心,湖北武汉 430078%中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074%中国地质大学(武汉)计算机学院,湖北武汉 430078;国家地理信息系统工程技术研究中心,湖北武汉 430078 |
| AuthorAffiliation_xml | – name: 中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074;中国地质大学(武汉)计算机学院,湖北武汉 430078;国家地理信息系统工程技术研究中心,湖北武汉 430078%中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074%中国地质大学(武汉)计算机学院,湖北武汉 430078;国家地理信息系统工程技术研究中心,湖北武汉 430078 |
| Author_FL | LU Xiechun XU Yongyang CHEN Zhanlong |
| Author_FL_xml | – sequence: 1 fullname: CHEN Zhanlong – sequence: 2 fullname: LU Xiechun – sequence: 3 fullname: XU Yongyang |
| Author_xml | – sequence: 1 fullname: 陈占龙 – sequence: 2 fullname: 鲁谢春 – sequence: 3 fullname: 徐永洋 |
| BookMark | eNotjzFLAzEcxTNUsNZ-BEfHO5P8k4sZy6FVKDioc0lyObVICh6iq-Kgi-hQhzqIi-DgUITKXcFPY-70W3hFl_e23--9JdRwQ2cRWiE4JEQysTYIO914N6SYsnkABhI1UJNgTALCJV9E7Sw70hhzBoKDbCLwT8VXcesfP3-ep9VlXn5MfPHyfTGuJrNqfOVnRfV2X928-rtrn0_Lh7x8Hy2jhVQdZ7b93y20v7mxF28FvZ3udtzpBVkt5IEmwgijBLegI5NaQ9atlEANpFTWc5XGhFNJhVQ8MVLphGtrmRCRUixhAC20-sc9Uy5V7qA_GJ6euNrYN4fnen4SsxoBvyE3W3E |
| ClassificationCodes | P283 |
| ContentType | Journal Article |
| Copyright | Copyright © Wanfang Data Co. Ltd. All Rights Reserved. |
| Copyright_xml | – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved. |
| DBID | 2B. 4A8 92I 93N PSX TCJ |
| DOI | 10.11947/j.AGCS.2024.20230316 |
| DatabaseName | Wanfang Data Journals - Hong Kong WANFANG Data Centre Wanfang Data Journals 万方数据期刊 - 香港版 China Online Journals (COJ) China Online Journals (COJ) |
| DatabaseTitleList | |
| DeliveryMethod | fulltext_linktorsrc |
| Discipline | Astronomy & Astrophysics |
| DocumentTitle_FL | A building aggregation method based on deep clustering of graph vertices |
| EndPage | 749 |
| ExternalDocumentID | chxb202404015 |
| GroupedDBID | -01 2B. 4A8 5VS 5XA 5XB 7X2 92E 92I 93N ABJNI ACGFS AEUYN AFKRA ALMA_UNASSIGNED_HOLDINGS ATCPS BBNVY BENPR BHPHI BKSAR CCEZO CCPQU CCVFK CW9 HCIFZ IPNFZ M0K M7P OK1 P2P PATMY PCBAR PHGZM PHGZT PIMPY PMFND PSX PYCSY RIG TCJ TGP U1G U5K |
| ID | FETCH-LOGICAL-s1005-b17c7ca75e3b6cfec18e9932c3f29194ab01529279a5dc9abd5bee4776aa4d433 |
| ISSN | 1001-1595 |
| IngestDate | Thu May 29 04:11:08 EDT 2025 |
| IsPeerReviewed | false |
| IsScholarly | true |
| Issue | 4 |
| Keywords | 自监督学习 cartographic generalization 地图综合 图神经网络 self-supervised learning 建筑物合并 building aggregation graph neural network |
| Language | Chinese |
| LinkModel | OpenURL |
| MergedId | FETCHMERGED-LOGICAL-s1005-b17c7ca75e3b6cfec18e9932c3f29194ab01529279a5dc9abd5bee4776aa4d433 |
| PageCount | 14 |
| ParticipantIDs | wanfang_journals_chxb202404015 |
| PublicationCentury | 2000 |
| PublicationDate | 2024-05-13 |
| PublicationDateYYYYMMDD | 2024-05-13 |
| PublicationDate_xml | – month: 05 year: 2024 text: 2024-05-13 day: 13 |
| PublicationDecade | 2020 |
| PublicationTitle | 测绘学报 |
| PublicationTitle_FL | Acta Geodaetica et Cartographica Sinica |
| PublicationYear | 2024 |
| Publisher | 中国地质大学(武汉)计算机学院,湖北武汉 430078 国家地理信息系统工程技术研究中心,湖北武汉 430078 中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074 国家地理信息系统工程技术研究中心,湖北武汉 430078%中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074%中国地质大学(武汉)计算机学院,湖北武汉 430078 |
| Publisher_xml | – name: 国家地理信息系统工程技术研究中心,湖北武汉 430078 – name: 中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074 – name: 国家地理信息系统工程技术研究中心,湖北武汉 430078%中国地质大学(武汉)地质探测与评估教育部重点实验室,湖北武汉 430074%中国地质大学(武汉)计算机学院,湖北武汉 430078 – name: 中国地质大学(武汉)计算机学院,湖北武汉 430078 |
| SSID | ssib005437539 ssib038074662 ssib051373695 ssib002263888 ssib000862384 ssj0058465 |
| Score | 2.3990889 |
| Snippet | P283;... |
| SourceID | wanfang |
| SourceType | Aggregation Database |
| StartPage | 736 |
| Title | 基于图顶点深度聚类的建筑物合并方法 |
| URI | https://d.wanfangdata.com.cn/periodical/chxb202404015 |
| Volume | 53 |
| hasFullText | 1 |
| inHoldings | 1 |
| isFullTextHit | |
| isPrint | |
| link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnV07bxQxEF6F0NAgngqv6ApMgy7s-rG2y_WxIQKBhEikdGGfpOEicYkE6UAU0CAooAgFokGioIiQgnKR-DVcDv4FM7N7lw1E4tFYc97xeB639udde9bzLoaClyJJVDvISlig5EK3k0KEbVHmRZHIVKf0uuDmrXBuQV5fVIsTh-42di2traYz2fqB50r-J6pQB3HFU7L_ENmxUKgAGuILJUQYyr-KMYsVs7PMRSyWWJqYahxzQFgWBcyFLNbMcOYsi0PmNHMB8gBzBJcMAElmI-SBeueQgJ9GEo8jyZpFV5kNSA7ItNSFz4whHktdhMyGoy4Eq75nOYK8VKmYIeEg01JDkBlRQwOaqFHYUWtra9kGWHysAWusbbI4jnqD9s5nEafuzT4pitr41LXPnCECULNrPuTgEt_PV2dU6W9JXjSoWu3FiuigDOxMsqjSHQi9ZwQn8WODwJHgJ26xSRRjENCFoI4mRTvk1LEDyF6wgXeorUVHou2dmn-_2MtSINpqzCS4Vw2wompONVVe5PqWko15ozp_MYIgusri-vvsZqWm6S261rkzg37CAkBI8Es2ccIn2fLDFHlgmMYsDIe51rSR4cbtJgAH-GuaAA_G40YCOyUFrGfHgBe_TiDDvQSTKhCguR0vOBHNKtpfUBtfn5lDxa8cpDYdleuWSfdeA9XNH_OO1suxVlTdW8e9ifXlE95U1MMXRCv3H7UutYiunv_1Tnpi8K7_rf9i8Pbrj_dbwyfbu182B_0P3x9vDDd3hhtPBzv94adXw-cfBy-fDba3dt9s735-fcpbmI3nO3Pt-rsj7V6AiXnTQGc6S7QqRBpmZZEFpgAYzzNRcgumJCk4lFuubaLyzCZprtKikFqHSSJzKcRpb7K70i2mvFZZcD9TaRjCOkxq3085eNMP8zQ3eaKkPuNN1_Yv1eNKb2lf3M7-ieGcd2TvhjnvTa4-WCsuAE5eTacp1D8BNmWKPA |
| linkProvider | Colorado Alliance of Research Libraries |
| openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%9B%BE%E9%A1%B6%E7%82%B9%E6%B7%B1%E5%BA%A6%E8%81%9A%E7%B1%BB%E7%9A%84%E5%BB%BA%E7%AD%91%E7%89%A9%E5%90%88%E5%B9%B6%E6%96%B9%E6%B3%95&rft.jtitle=%E6%B5%8B%E7%BB%98%E5%AD%A6%E6%8A%A5&rft.au=%E9%99%88%E5%8D%A0%E9%BE%99&rft.au=%E9%B2%81%E8%B0%A2%E6%98%A5&rft.au=%E5%BE%90%E6%B0%B8%E6%B4%8B&rft.date=2024-05-13&rft.pub=%E4%B8%AD%E5%9B%BD%E5%9C%B0%E8%B4%A8%E5%A4%A7%E5%AD%A6%28%E6%AD%A6%E6%B1%89%29%E8%AE%A1%E7%AE%97%E6%9C%BA%E5%AD%A6%E9%99%A2%2C%E6%B9%96%E5%8C%97%E6%AD%A6%E6%B1%89+430078&rft.issn=1001-1595&rft.volume=53&rft.issue=4&rft.spage=736&rft.epage=749&rft_id=info:doi/10.11947%2Fj.AGCS.2024.20230316&rft.externalDocID=chxb202404015 |
| thumbnail_s | http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fchxb%2Fchxb.jpg |