PFG (2020) 88:15-24
https://doi.org/10.1007/s41064-020-00102-3
Kecerdasan Buatan Geospasial: Potensi Pembelajaran Mesin untuk Awan Titik 3D dan Kembaran Digital Geospasial
Jürgen Döllner1
Diterima: 23 September 2019 / Diterima: 3 Februari 2020 / Terbit online: 26 Februari 2020
© Penulis(-penulis) 2020
Abstrak
Kecerdasan buatan (AI) mengubah secara fundamental cara bagaimana solusi TI diimplementasikan dan dioperasikan di semua domain aplikasi, termasuk domain geospasial. Kontribusi ini menguraikan teknik berbasis AI untuk point cloud 3D dan kembaran digital geospasial sebagai komponen umum AI geospasial. Pertama, kami merefleksikan secara singkat istilah "AI" dan menguraikan perkembangan teknologi yang diperlukan untuk menerapkan AI pada solusi TI, dilihat dari perspektif rekayasa perangkat lunak. Selanjutnya, kami mengkarakterisasi point cloud 3D sebagai kategori utama geodata dan perannya dalam menciptakan dasar untuk kembaran digital geospasial; kami menjelaskan kelayakan pendekatan machine learning (ML) dan deep learning (DL) untuk point cloud 3D. Secara khusus, kami berpendapat bahwa point cloud 3D dapat dilihat sebagai korpus dengan sifat yang mirip dengan korpus bahasa alami dan merumuskan "Hipotesis Kealamian" untuk point cloud 3D. Pada bagian utama, kami memperkenalkan alur kerja untuk menafsirkan point cloud 3D berdasarkan pendekatan ML/DL yang memperoleh semantik spesifik domain dan spesifik aplikasi untuk point cloud 3D tanpa harus membuat model 3D spasial eksplisit atau set aturan eksplisit. Terakhir, contoh-contoh ditunjukkan bagaimana ML/DL memungkinkan kita untuk secara efisien membangun dan memelihara data dasar untuk kembaran digital geospasial seperti model kota 3D virtual, model dalam ruangan, atau model informasi bangunan.
Kata kunci Kecerdasan buatan geospasial - Pembelajaran mesin - Pembelajaran mendalam - Awan titik 3D - Kembaran digital geospasial - Model kota 3D
Zusammenfassung
Kecerdasan Künstliche Georäumliche: Potensi Pembelajaran Mesin untuk 3D-Punktwolken dan keinginan digital georafis.
Künstliche Intelligenz (KI) secara mendasar mengembangkan Seni dan Kebijaksanaan, bagaimana solusi TI di semua aplikasi, terutama di bidang informasi geografis, dan dipercaya. Dalam artikel ini, kami akan memperkenalkan teknik-teknik berbasis KI untuk 3D-Punktwolken sebagai salah satu keunggulan dari KI secara umum. Pada awalnya, kami akan segera membahas tentang
"KI" dan pengembangan teknologi yang diperlukan untuk penggunaan KI pada solusi TI dari sudut pandang perangkat lunak.
Sebagai karakteristik berikutnya, kami mengklasifikasikan 3D-Punktwolken sebagai kategori Geodata dan perannya untuk permintaan dari berbagai kebutuhan digital; kami menjelaskan tentang manfaat dari metode Ansätze untuk Maschinelles Lernen (ML) dan Deep Learning (DL) dalam konteks 3D-Punktwolken. Kami berpendapat bahwa 3D-Punktwolken sebagai Korpus dengan karakteristik yang sama dengan Korpus biasa dapat digunakan dan merumuskan hipotesis untuk 3D-Punktwolken. Pada intinya, kami menyajikan alur kerja untuk interpretasi 3D-Punktwolken berdasarkan dasar dari ML / DL-Ansätzen, yang semantik yang sesuai dengan kebutuhan dan kebutuhan pengguna untuk 3D-Punktwolken, tanpa perlu membuat model 3D yang rumit atau membuat model yang rumit. Selanjutnya akan contoh, bagaimana ML / DL , Basisdata untuk digital rutin, seperti misalnya untuk model rumah 3D yang indah, model ruang dalam atau model informasi, yang dapat dengan mudah digunakan dan disimpan.
🖂 Jürgen Döllner
1 Hasso Plattner Institute, Fakultas Teknik Digital, Universitas Potsdam, Prof.-Dr.-Helmert-Str. 2-3, 14482 Potsdam, Jerman
1 Pendahuluan
Kecerdasan buatan (AI) mengubah cara solusi TI dirancang, dibangun, dan dioperasikan. AI tidak terbatas pada area aplikasi tertentu - AI menemukan jalannya ke hampir semua industri dan domain. Sebagai kumpulan tujuan umum
ARTIKEL ASLI
DGPF
teknologi, AI memiliki dampak yang signifikan karena "dapat menciptakan peluang tidak hanya untuk pertumbuhan ekonomi, tetapi juga untuk profitabilitas perusahaan" (Purdy dan Daugherty 2017).
Untuk domain geospasial, pertanyaan mendasar mencakup bagaimana AI dapat diterapkan secara khusus atau harus dibuat secara khusus untuk data spasial. Janowicz dkk. (2020) memberikan gambaran umum tentang AI eksplisit secara spasial, yang "memanfaatkan kemajuan dalam teknik dan budaya data untuk mendukung penciptaan informasi geografis yang lebih cerdas serta metode, sistem, dan layanan untuk berbagai tugas hilir". Disiplin ilmu yang muncul ini, yang disebut kecerdasan buatan geospasial (GeoAI), yang
"menggabungkan inovasi dalam ilmu spasial, metode kecerdasan buatan dalam pembelajaran mesin (misalnya pembelajaran mendalam), penggalian data, dan komputasi berkinerja tinggi untuk mengekstraksi pengetahuan dari data besar spasial" (Vopham dkk. 2018), secara khusus akan meningkatkan teknologi yang sudah ada dan menciptakan teknologi baru untuk sistem informasi geospasial (SIG).
Relevansi AI untuk domain geospasial telah direalisasikan beberapa tahun yang lalu, misalnya, dalam hal sistem pakar dan sistem berbasis pengetahuan (Openshaw dan Openshaw 1997), pemecahan masalah geografis (Smith 1984), atau menganalisis data penginderaan sosial (Wang et al. 2018a).
Dalam makalah ini, kami berkonsentrasi pada pendekatan berbasis AI untuk kategori geodata 3D tertentu, yaitu point cloud 3D, yang merupakan hal mendasar dalam fotogrametri, penginderaan jarak jauh, dan visi komputer (Weinmann dkk.
2015) dan memiliki aplikasi untuk membangun kembaran digital geospasial.
1.1 Istilah "Kecerdasan Buatan"
Gagasan "AI" menyiratkan sejumlah kesulitan konseptual, seperti definisi kecerdasan "alami", "manusia", atau "tujuan umum". Sederhananya, "kesalahpahaman yang paling umum tentang kecerdasan buatan dimulai dengan kesalahpahaman umum tentang kecerdasan alami. Kesalahpahaman ini adalah bahwa kecerdasan adalah dimensi tunggal" (Kelly 2017). Di masyarakat umum, AI sering kali memicu asosiasi dan ekspektasi seperti mensimulasikan atau mengatasi kecerdasan manusia. Jika AI secara pragmatis dilihat sebagai kemajuan teknologi, maka "AI akan memperkuat kecerdasan manusia, bukan menggantikannya, seperti halnya alat apa pun yang memperkuat kemampuan kita" (Lecun 2017). Salah satu aplikasi AI yang mematahkan kontroversi ini adalah ELIZA.
Chatbot pertama yang terkenal ini, dibangun oleh Josef Weizenbaum pada tahun 1966 (Weizenbaum 1966), merupakan simulasi berbasis ucapan dari interaksi psikolog dengan pasien, yang "menunjukkan potensi risiko yang terkandung di dalam perkembangan teknologi seperti itu"
(Palatini 2014). Topik ini dibahas lebih lanjut oleh Copeland (1993), yang menganalisis tantangan dan rintangan apa saja yang harus dipecahkan oleh AI sebelum mesin "berpikir"
dapat dibangun. Seperti yang ia nyatakan, kunci dari AI adalah kemampuan komputer untuk berpikir secara rasional,
untuk menemukan makna, untuk
PFG (2020) 88:15-24 17 menggeneralisasi dan belajar dari pengalaman masa lalu, dan
menjadi cerdas dengan menggunakan pembelajaran, pemikiran, pemecahan masalah, persepsi, dan bahasa.
Pada umumnya tidak ada batas yang tajam antara teknologi AI dan non- AI. Pertimbangkan, misalnya, kemudi autopilot yang mengemudikan pesawat terbang: pada awalnya, hal ini dianggap sebagai AI, sementara saat ini telah menjadi komponen teknis operasi yang umum. Dengan kata lain,
"ketika AI mencapai penggunaan umum, sering kali tidak lagi dianggap sebagai AI" (Haenlein dan Kaplan 2019). Dalam ini, istilah "AI" sebagian besar digunakan untuk melabeli teknologi yang melampaui batas-batas teknologi saat ini.
Dalam kontribusi ini, kami mengacu pada AI dalam konteks geospasial dan fokus pada potensi ML dan DL untuk point cloud 3D.
1.2 TI Berbasis AI
Dari perspektif rekayasa perangkat lunak, beberapa teknologi dan disiplin ilmu (Gbr. 1) diperlukan untuk implementasi solusi TI berbasis AI:
• Manajemen data besar Banyak teknik berbasis AI yang membutuhkan data besar untuk dapat diterapkan secara efektif. Sebagai contoh, ML dan DL membutuhkan data pelatihan, yang biasanya disaring dari data besar. Data besar umumnya dicirikan oleh sejumlah ciri-ciri utama (Kitchin dan McArdle 2016), termasuk:
– jumlah data yang besar (volume),
– pengambilan atau pembuatan data yang cepat (kecepatan),
– tipe dan struktur data yang berbeda (variasi),
– hubungan yang bermacam-macam di antara kumpulan data (kompleksitas),
– ketidakpastian data yang tinggi (kebenaran).
Big data telah menjadi pendorong utama untuk proses transformasi digital seperti yang dirangkum dalam pernyataan terkenal "Data adalah minyak baru. Data sama seperti minyak mentah.
Gbr. 1 Disiplin ilmu dan teknologi yang digunakan untuk mengimplementasikan TI berbasis AI
Ini berharga, tetapi jika tidak dimurnikan, ia tidak dapat benar-benar digunakan" (Humby 2006), yang juga menjadi kontroversi (Marr 2018).
Ada berbagai macam pendekatan yang tersedia untuk menangkap, menyelaraskan, dan mensimulasikan data tentang realitas geospasial kita. Dalam hal ini, data geospasial secara umum mewakili data besar dan
"minyak" untuk ekonomi digital geospasial.
• Analisis Analisis mengacu pada penalaran analitis dan bertujuan untuk menyediakan konsep, metode, teknik, dan alat untuk mengumpulkan, mengatur, dan menganalisis data besar secara efisien. Tujuannya termasuk untuk memeriksa data, menarik kesimpulan, mendapatkan wawasan, memperoleh pengetahuan, dan mendukung pengambilan keputusan. Dalam hal ini, analitik "dapat dipandang sebagai sub-proses dalam keseluruhan proses 'ekstraksi wawasan' dari data besar" (Gandomi dan Haider 2015).
Untuk semua varian, seperti analisis deskriptif, prediktif, dan preskriptif, pendekatan ML/DL mendukung "analisis dan pembelajaran data yang tidak dapat dilihat dalam jumlah besar, menjadikannya alat yang berharga untuk analisis data besar di mana data mentah sebagian besar tidak diberi label dan tidak dikategorikan" (Najafabadi dkk. 2015).
• Pembelajaran mesin "Pembelajaran mesin adalah pemrograman komputer untuk mengoptimalkan kriteria kinerja dengan menggunakan data contoh atau pengalaman masa lalu", yang diperlukan, khususnya, "ketika kita tidak dapat menulis program komputer secara langsung untuk menyelesaikan masalah yang diberikan" (Alpaydin 2014).
Dengan kata lain, solusi TI tidak bergantung pada strategi pemecahan masalah yang eksplisit atau prosedural, tetapi didasarkan pada pemrosesan dan analisis pola dan kesimpulan. Oleh itu, ML menawarkan paradigma pemrograman yang berbeda untuk implementasi solusi TI geospasial.
Teknik ML secara umum dapat diklasifikasikan menjadi ML yang diawasi, ML yang tidak diawasi, dan pembelajaran dengan penguatan. Supervised ML, misalnya, memperoleh pengetahuan dengan membangun model matematika berdasarkan data pelatihan, yang digunakan untuk memprediksi label untuk data masukan.
Model-model yang tidak tersupervisi "dapat bersifat prediktif untuk membuat prediksi di masa depan, atau deskriptif untuk memperoleh pengetahuan dari data, atau keduanya" (Alpaydin 2014):
"Janji dan kekuatan pembelajaran mesin terletak pada kemampuannya untuk menggeneralisasi dari contoh- contoh dan menangani noise" (Allamanis et al. 2018).
Untuk tujuan ini, ML menawarkan tingkat ketahanan yang tinggi terkait kumpulan data input. Akan tetapi, risiko mendasarnya terletak pada "overtraining" model. Jika dilatih secara berlebihan, model akan bekerja dengan sangat baik pada data pelatihan, tetapi akan menggeneralisasi dengan buruk pada data baru. Model menjadi tidak mampu menggeneralisasi, yaitu overfitting pada data pelatihan. Oleh karena itu, "mengontrol atau
mengatur pelatihan secara tepat adalah kunci untuk generalisasi di luar sampel" (Zhang et al. 2018).
• Pembelajaran mendalam Seperti yang ditunjukkan oleh Hatcher dan Yu, DL menerapkan "jaringan saraf multi- neuron, multi-layer untuk melakukan tugas-tugas pembelajaran, termasuk regresi, klasifikasi,
PFG (2020) 88:15-24pengelompokan, penyandian otomatis, dan lain-lain" 19 (Hatcher dan Yu 2018). Sebagai bentuk khusus dari
pembelajaran representasi, yang pada gilirannya merupakan bentuk khusus dari ML, DL didasarkan pada jaringan saraf tiruan (JST) seperti jaringan saraf konvolusi (CNN) (Goodfellow et al. 2016). akhirnya, DL mewakili
"pada dasarnya teknik statistik untuk mengklasifikasikan pola, berdasarkan data sampel, menggunakan jaringan saraf dengan banyak lapisan" (Marcus 2018).
Ini membangun representasi yang diekspresikan dalam bentuk representasi yang lebih sederhana, yaitu kita dapat membangun konsep yang kompleks dari konsep yang lebih sederhana. "Metode ini ternyata sangat baik dalam menemukan struktur rumit dalam data berdimensi tinggi dan oleh karena itu dapat diterapkan pada banyak domain ilmu pengetahuan, bisnis, dan pemerintahan" (LeCun et al.
2015), tetapi juga dihadapkan pada sejumlah keterbatasan seperti "haus data" dan rendahnya dukungan untuk transfer atau data hierarki (Marcus 2018).
• Akselerator AI Pertumbuhan aplikasi berbasis AI hadir bersama dengan unit pemrosesan grafis (GPU) komoditas dan hemat biaya yang berevolusi menjadi akselerator berkinerja tinggi untuk komputasi paralel data. Selain itu, ada semakin banyak sistem yang dibuat khusus untuk DL, misalnya, unit pemrosesan tensor (TPU), bersama dengan perangkat keras dan perangkat lunak yang terintegrasi penuh [misalnya NVidia DGX / HGX; TensorFlow (Abadi et al. 2016)]. Mereka dikenal sebagai akselerator AI, yang berbeda dalam hal biaya perangkat keras, kinerja pelatihan, daya komputasi, dan konsumsi energi (Wang et al. 2019), tetapi mendorong dan menyederhanakan pengembangan dan pengoperasian perangkat lunak berbasis AI (Reuter et al. 2019).
Untuk mengimplementasikan TI berbasis AI, komponen- komponennya juga mencakup kerangka kerja dan sistem untuk visi komputer (misalnya analisis gambar, pemahaman gambar), analisis ucapan dan teks (misalnya teks-ke-ucapan, ucapan-ke-teks), representasi dan penemuan pengetahuan, sistem penalaran, dll.
1.3 Ruang Fitur
Solusi berbasis ML/DL mendeskripsikan data input dengan vektor fitur, yaitu vektor n-dimensi yang komponen numeriknya mendeskripsikan aspek-aspek tertentu dari sebuah fenomena yang akan diamati, yaitu ruang fitur sama dengan ruang vektor berdimensi tinggi. Teknik reduksi dimensi memungkinkan kita untuk mengubah "data berdimensi tinggi menjadi representasi yang berarti dari dimensi yang direduksi" (Van Der Maaten dkk. 2009) dan, dengan , mengelola, memproses, dan memvisualisasikan ruang fitur secara efisien.
Salah satu konsep utama yang diperlukan untuk ML dan DL geospasial adalah menemukan ruang fitur yang memadai untuk entitas geospasial. Satu titik dari point cloud 3D tidak memungkinkan untuk membangun vektor fitur yang berarti.
Untuk ,
lingkungan lokal dari titik tersebut harus dianalisis dengan memilih, misalnya, k titik terdekat atau titik-titik dalam radius r (Weinmann et al. 2015). Selanjutnya, fitur geometris, topo- logika, atau fitur tingkat tinggi lainnya dihitung dari wilayah sekitar yang merupakan komponen vektor fitur. "Fitur-fitur umum yang berulang termasuk menghitung planaritas, linearitas, sebaran, varians permukaan, rentang vertikal, warna titik, eigenentropi, dan omnivarians" (Griffiths dan Boehm 2019).
2 Awan Titik 3D
Sebagai representasi 3D universal, awan titik 3D "dapat merepresentasikan hampir semua jenis objek fisik, situs, lanskap, wilayah geografis, atau infrastruktur-di semua skala dan dengan ketepatan apa pun" seperti yang dinyatakan Richter (2018), yang membahas algortima dan struktur data untuk pemrosesan di luar inti, analisis, dan pengklasifikasian awan titik 3D. Untuk memperoleh awan titik 3D, berbagai teknologi dapat diterapkan termasuk pemindaian laser udara atau terestrial, pemetaan bergerak, kamera RGB-D (Zollhöfer et al. 2018), pencocokan gambar, atau gema multi-beam.
2.1 Kembar Digital Geospasial
Awan titik 3D ada di mana-mana untuk aplikasi geospasial seperti untuk pemantauan lingkungan, manajemen bencana, perencanaan kota, model informasi bangunan, atau kendaraan swakemudi. Lebih tepatnya, awan titik 3D biasanya digunakan sebagai data dasar untuk merekonstruksi model 3D (misalnya, model medan digital, model kota 3D virtual, model informasi bangunan), tetapi juga dapat dipahami sebagai model 3D berbasis titik, misalnya, pada kasus ketika awan titik 3D padat (Gbr. 2).
Secara khusus, mereka mewakili komponen kunci dari kembar digital geospa- tial, yaitu replika digital dari entitas dan fenomena spasial. Kembaran digital, secara umum, terdiri dari tiga bagian, "yaitu entitas fisik di dunia fisik, model virtual di dunia virtual, dan data yang terhubung yang menghubungkan kedua dunia tersebut" (Qi dan Tao 2018).
Meskipun hubungan antara keduanya dapat ditangani oleh sensor, model virtual harus diturunkan dari model fisik.
Sebagai contoh, point cloud 3D digunakan untuk memperoleh model dalam ruangan 3D, yang merupakan komponen penting untuk model informasi bangunan waktu nyata bersama dengan jaringan sensor dan perangkat IoT (Khajavi et al. 2019);
model tersebut juga "mewakili pendekatan umum untuk menangkap, memodelkan, menganalisis, dan memvisualisasikan kembaran digital yang digunakan oleh operator dalam skenario aplikasi Industri 4.0" (Posada et al.
2018). Dalam hal ini, kembaran digital geospasial merupakan sarana untuk memantau, memvisualisasikan, mengeksplorasi, dan mengoptimalkan,
Gbr. 2 Contoh awan titik 3D dengan kepadatan tinggi dari lingkungan dalam ruangan
dan memprediksi perilaku dan proses yang terkait dengan entitas fisik yang merespons.
2.2 Karakteristik
Awan titik 3D mewakili sekumpulan titik 3D dalam sistem koordinat tertentu dan dapat dicirikan oleh:
• Representasi titik 3D yang tidak terstruktur dan tidak berurutan (misalnya dalam ruang Euclidian);
• Representasi diskrit-sampel bentuk diskrit tanpa batasan mengenai topologi atau geometri;
• Ketidakteraturan-memperlihatkan distribusi spasial yang tidak teratur dan kepadatan spasial yang bervariasi;
• Ketidaklengkapan-karena pengambilan sampel secara terpisah, maka pada dasarnya, repro tidak lengkap;
• Ambiguitas-semantik (misalnya jenis permukaan, jenis objek) dari satu titik umumnya tidak dapat ditentukan tanpa mempertimbangkan lingkungannya;
• Atribut per titik-setiap titik dapat diatribusikan dengan data per titik tambahan seperti warna atau permukaan;
• Masifitas-tergantung pada kepadatan teknologi pengambilan gambar, awan titik 3D dapat terdiri dari jutaan atau miliaran titik.
Ciri utama dari point cloud 3D, kategori mendasar dari data geospasial 3D, adalah tidak adanya informasi yang berhubungan dengan struktur, hirarki, atau semantik - point cloud 3D adalah sekumpulan titik 3D yang sederhana dan tidak berurutan. "Kurangnya topologi dan konektivitas, bagaimanapun juga, merupakan kekuatan dan kelemahan pada saat yang bersamaan" (Gross dan Pfister 2007). Oleh karena itu, ada permintaan yang kuat untuk solusi yang memungkinkan kita memperkaya point cloud 3D dengan informasi.
2.3 Seri Waktu Awan Titik 3D
Untuk aplikasi yang semakin banyak, point cloud 3D ditangkap dan diproses dengan frekuensi tinggi. Misalnya, jika
PFG (2020) 88:15-24 21 sistem pengawasan menangkap lingkungan targetnya setiap
detik, yang menghasilkan aliran awan titik 3D.
Jika point cloud 3D diambil atau dibuat pada titik waktu yang berbeda dengan wilayah geospasial yang tumpang tindih, maka kumpulan ini secara inheren terkait. Dengan deret waktu awan titik 3D, kami mengacu pada kumpulan awan titik 3D yang diambil pada titik waktu yang berbeda untuk wilayah geospasial yang sama. Kumpulan awan titik 3D mewakili, dalam arti tertentu, awan titik 4D.
Seri waktu point cloud 3D memiliki tingkat redundansi yang tinggi, yang perlu dieksploitasi untuk mencapai pengelolaan, pemrosesan, kompresi, dan penyimpanan yang efisien, misalnya, memisahkan struktur statis dan dinamis.
Redundansi juga dapat digunakan untuk meningkatkan akurasi dan ketahanan interpretasi point cloud 3D dan prediksi terkait.
2.4 Kelayakan Pendekatan Berbasis ML/DL
Kanevski et al. menyelidiki penerapan umum ML pada data geospasial dan menyimpulkan "fitur utama dari model/algoritma ML adalah bahwa mereka belajar dari data dan dapat digunakan pada kasus-kasus ketika fenomena yang dimodelkan tidak dapat dideskripsikan dengan baik, yang merupakan kasus pada banyak aplikasi data geospasial"
(Kanevski et al. 2009). Tidak adanya struktur, keteraturan, dan semantik serta ketidakteraturan, ketidaklengkapan, dan ambiguitas yang melekat menjelaskan mengapa point cloud 3D tidak dapat dideskripsikan dengan baik dan merupakan kandidat yang sulit untuk pemrograman prosedural dan algoritmik. Namun, karakteristiknya memungkinkan kita untuk secara efektif menerapkan ML/DL pada point cloud 3D:
• Data besar: Point cloud 3D adalah data besar spasial yang dapat dihasilkan secara efisien untuk hampir semua jenis lingkungan spasial-data besar merupakan prasyarat untuk pendekatan berbasis ML/DL;
• Ketidakjelasan: Point cloud 3D menunjukkan ketidakjelasan dan noise yang melekat karena mereka mengambil sampel bentuk melalui representasi diskrit- ML/DL secara khusus menangani data yang tidak jelas dan noise dengan baik;
• Semantik: Bergantung pada domain aplikasi konkret, konsep semantik dapat didefinisikan dan data pelatihan yang sesuai dapat dikonfigurasikan untuk menyaring semantik yang diperlukan.
Dalam kasus point cloud 3D, ML/DL mendukung komputasi informasi spesifik domain dan spesifik aplikasi, biasanya dengan klasifikasi titik, segmentasi point cloud, identifikasi objek, dan rekonstruksi bentuk. Dibandingkan dengan algoritme berbasis prosedural, heuristik, atau empiris tradisional, teknik berbasis ML/DL umumnya memiliki kompleksitas implementasi yang jauh lebih rendah karena implementasinya bergantung pada kerangka kerja AI tujuan umum yang memiliki ketahanan tinggi dan tingkat inovasi yang tinggi. Kustomisasi
terdiri dari menemukan data pelatihan dan data uji yang sesuai. Masalah utama adalah ketahanan teknik ML karena model ML "rentan terhadap contoh-contoh yang tidak sesuai yang dibentuk dengan menerapkan gangguan kecil yang dipilih secara hati-hati pada input yang menyebabkan kesalahan klasifikasi yang tidak terduga" (Rozsa et al. 2016).
2.5 Hipotesis Kealamian
"Hipotesis Kealamian" (Allamanis et al. 2018), yang diselidiki dalam pengenalan bahasa alami dan analisis perangkat lunak, membantu memahami lebih lanjut mengapa pendekatan ML dan DL menyediakan instrumen yang efektif untuk menganalisis dan menafsirkan point cloud 3D. Secara umum, salah satu pendekatan utama untuk ML dan DL adalah untuk mengetahui apakah domain masalah yang diberikan sesuai dengan atau memiliki sifat statistik yang sama dengan korpus bahasa alami yang besar (Jurafsky dan Martin 2000). Di sini, pendekatan berbasis ML/DL telah menunjukkan keberhasilan yang luar biasa dalam pengenalan bahasa alami, penerjemahan bahasa alami, menjawab pertanyaan, penggalian teks, pemahaman teks, dll. Temuan yang paling penting dalam bidang ini adalah bahwa objek (misalnya teks lisan atau tulisan) kurang beragam daripada yang terlihat pada awalnya:
sebagian besar ekspresi manusia ("ujaran") jauh lebih sederhana, jauh lebih berulang, dan jauh lebih mudah diprediksi daripada yang disarankan oleh ekspresifitas badan pengukur bahasa, di mana "ujaran-ujaran ini bisa sangat berguna dimodelkan dengan menggunakan metode statistik modern" (Hindle dkk. 2012). Fenomena ini dapat dipahami dengan pengukuran kebingungan dan cross-entropy (de Boer et al. 2005).
Awan titik 3D dilihat sebagai bentuk komunikasi alami serta lingkungan geospasial pada akhirnya berulang terlepas dari variasi tak berujung yang mungkin mereka tunjukkan.
Dalam arti tertentu, point cloud 3D hanyalah "ucapan spasial"
yang dapat dimodelkan dengan menggunakan metode statistik. Dengan demikian, point cloud 3D merupakan korpora point cloud 3D yang dapat diterapkan teknologi ML dengan memanfaatkan sifat distribusi statistik yang diperkirakan melalui korpora point cloud yang representatif.
Mengikuti skema untuk argumentasi yang awalnya dibuat untuk rekayasa perangkat lunak (Hindle et al. 2012), kami membentuk hipotesis kealamian yang berpusat pada ML/DL untuk cloud titik 3D sebagai berikut:
Awan titik 3D, secara teori, kompleks, ekspresif, dan kuat, tetapi awan titik 3D yang sebenarnya diambil atau dihasilkan dalam domain geospasial jauh lebih tidak kompleks, jauh lebih tidak ekspresif, dan berulang. Sifat statistiknya yang dapat ditentukan sebelumnya dapat ditangkap dalam model bahasa statistik dan dimanfaatkan untuk analisis data geospasial.
Akan tetapi, pendekatan ML dan DL secara umum perlu disesuaikan dengan karakteristik point cloud 3D. "Yang paling penting, model jaringan saraf tiruan standar memerlukan input
data dengan struktur yang teratur, sedangkan point clouds secara fundamental tidak teratur: posisi titik secara terus menerus terdistribusi di dalam ruang dan setiap permutasi dari tidak mengubah distribusi spasial" (Wang et al. 2018b).
3 Interpretasi Awan Titik Berbasis ML/DL
Point cloud 3D menyediakan data mentah yang hemat biaya untuk menciptakan dasar bagi kembaran digital geospasial pada semua skala, namun data tersebut murni data geometris tanpa informasi struktural atau semantik mengenai objek yang diwakilinya. Termotivasi oleh hipotesis kealamian, ML dan DL dapat diterapkan untuk menganalisis dan menginterpretasikan data tersebut serta memberikan teknik yang kuat jika menyangkut data diskrit yang tidak beraturan, tidak lengkap, dan ambigu dari suatu korpus - persis seperti yang menjadi ciri khas point cloud 3D.
3.1 Konsep Interpretasi
Pemrosesan berbasis ML/DL untuk point cloud 3D didasarkan pada konsep interpretasi yang dikenal dari bahasa pemrograman. Namun, dalam skema tersebut, analisis dan penurunan semantik tidak memerlukan langkah-langkah yang
"menyusun" data mentah menjadi representasi tingkat yang lebih tinggi. Untuk memproses data, misalnya, jaringan saraf PointNet "secara langsung mengkonsumsi point cloud dan menghormati invarian permutasi titik-titik input" dan menyediakan "arsitektur terpadu untuk aplikasi
mulai dari klasifikasi objek, segmentasi bagian, hingga penguraian semantik adegan" (Qi et al. 2016a).
Aplikasi atau layanan yang membutuhkan informasi spasial yang dikodekan dalam point cloud 3D menentukan serangkaian fitur yang akan diekstraksi dan cakupan spasial yang akan dicari. Jenis fitur yang tersedia tergantung pada bagaimana sub-sistem ML dan DL telah dilatih sebelumnya.
Analisis memproses permintaan dengan memicu evaluasi untuk mendapatkan hasil. Pada saat itu, point cloud 3D tidak diproses atau dievaluasi sebelumnya dan juga tidak memerlukan repre-sentasi perantara, yaitu interpretasi bekerja sesuai permintaan pada data point cloud mentah.
Pada Gbr. 3, alur kerja geoprocessing klasik (a) dibandingkan dengan alur kerja yang diaktifkan oleh interpolasi point cloud 3D (b). Sementara (a) didasarkan pada pembuatan representasi yang lebih rinci dan terdefinisi dengan baik secara semantik, alur kerja (b) beroperasi pada data mentah, mengekstraksi fitur yang diminta menggunakan data pelatihan yang sesuai. Mesin ML/DL yang mengimplementasikan alur kerja tersebut membutuhkan fungsionalitas inti seperti:
• Klasifikasi titik: Menurut kategori titik yang telah ditentukan (misalnya vegetasi, bangunan, air, jalan), label dihitung dan dilampirkan sebagai atribut per titik bersama dengan probabilitas untuk penetapan kategori ini. Sebagai contoh, Roveri dkk. "secara otomatis mengubah data input 3D yang tidak berurutan menjadi satu set kedalaman 2D yang berguna
Gbr. 3 Pemrosesan awan titik 3D: alur kerja klasik a berdasarkan rekonstruksi 3D, pemodelan 3D, dan derivasi objek; b alur kerja ML/DL berdasarkan interpretasi awan titik 3D
PFG (2020) 88:15-24 23 gambar, dan mengklasifikasikannya dengan
memanfaatkan CNN klasifikasi gambar yang berkinerja baik" (Roveri et al. 2018).
• Segmentasi awan titik: Segmentasi sebagai operasi inti untuk awan titik 3D membantu mengurangi fragmentasi dan membagi-bagi awan titik yang besar. Biasanya, hal ini didasarkan pada identifikasi fitur geometri 3D seperti tepi, segi empat, atau sudut. ML dan DL, sebaliknya, memungkinkan kita untuk memanfaatkan isyarat semantik dan kemampuan yang ditemukan dalam point cloud 3D.
Sebagai contoh, kita dapat menyegmentasikan "struktur geometris lokal dengan membangun graf tetangga lokal dan menerapkan operasi seperti konvolusi pada tepi yang menghubungkan pasangan titik yang bertetangga, semangat jaringan syaraf tiruan" (Wang et al. 2018b).
• Pengenalan bentuk: Bentuk sangat penting untuk memahami lingkungan 3D. Untuk mengenalinya, pendekatan gabungan 2D-3D (Stojanovic et al. 2019b) terdiri dari pembuatan rendering 2D dari awan titik 3D yang dievaluasi dengan analisis gambar. Untuk tujuan ini, CNN dapat menggabungkan "informasi dari berbagai tampilan bentuk 3D menjadi deskriptor bentuk tunggal dan ringkas yang menawarkan kinerja pengenalan yang lebih baik" (Su et al. 2015) dibandingkan dengan pendekatan yang beroperasi secara langsung pada awan titik 3D mentah. Selain itu, repositori objek 3D untuk keperluan umum yang besar juga menyediakan basis data pelatihan yang solid.
• Klasifikasi objek: Aplikasi umumnya membutuhkan informasi berbasis objek untuk diekstraksi dari point cloud 3D, misalnya, rambu-rambu dan tiang-tiang di ruang jalan.
Berdasarkan awan titik 3D yang diklasifikasikan dan disegmentasi, CNN berdasarkan representasi volumetrik atau CNN berdasarkan representasi multi-tampilan biasanya diterapkan untuk tujuan ini; Qi dkk. (2016b) memberikan gambaran umum tentang ruang lingkup metode yang tersedia.
Kepadatan pengambilan sampel yang tidak seragam yang biasanya ditemukan dalam point cloud 3D merupakan tantangan utama untuk pembelajaran berbasis ML/DL. Qi dkk. (2017) mengusulkan CNN hirarkis yang beroperasi pada partisi bertingkat dari kumpulan titik input karena "fitur yang dipelajari dalam data padat mungkin tidak dapat digeneralisasi ke wilayah dengan sampel yang jarang. Akibatnya, model yang dilatih untuk point cloud yang jarang mungkin tidak mengenali struktur lokal berbutir halus".
Interpretasi berbasis ML/DL memungkinkan kita untuk mengimplementasikan komponen analisis umum untuk point cloud 3D. Karena tidak ada representasi perantara yang diperlukan, hasil analisis hanya dibuat setelah diminta dan hanya dikomputasi untuk wilayah tertentu yang telah ditentukan oleh aplikasi. Di antara keuntungan dari pendekatan ini adalah:
• Konfigurasi: Data pelatihan ML/DL bersama dengan definisi vektor fitur memungkinkan banyak jenis label
untuk diprediksi. Untuk itu, mekanisme generik, domain- independen menawarkan tingkat konfigurasi yang tinggi.
Gbr. 4 Contoh analisis struktur bawah tanah berdasarkan awan titik 3D yang ditangkap oleh radar yang dikombinasikan dengan empat lintasan data radar penetrasi tanah. Awan titik diwarnai dengan gradien ketinggian. Dataset dari kota Essen, Jerman
• Komputasi berbasis layanan: Pendekatan dapat diskalakan karena dapat sepenuhnya dipetakan ke arsitektur berorientasi layanan dan perangkat keras yang dapat diskalakan (misalnya cluster GPU), yang dibangun oleh layanan tingkat rendah dan tingkat tinggi serta gabungan.
• Komputasi sesuai permintaan: Layanan hilir memungkinkan komputasi sesuai permintaan. Untuk banyak klasifikasi, intepretasi dapat dilakukan bahkan dalam waktu nyata (misalnya deteksi objek dari awan titik untuk tujuan pengawasan).
• Pemrosesan data mentah: Penyimpanan dan penanganan point cloud 3D yang masif, termasuk yang memiliki variasi waktu, dapat dioptimalkan secara independen karena interpretasi hanya memerlukan akses spasial yang cepat ke konten point cloud.
• Efisiensi penyimpanan: Tidak ada model 3D yang sudah dipilih atau dibuat sebelumnya atau representasi perantara.
Oleh karena itu, pendekatan ini bekerja dengan baik untuk awan titik 3D yang sangat besar atau bervariasi dalam waktu. Secara khusus, ketepatan asli dari data mentah tidak pernah berkurang karena data mentah dimasukkan langsung ke dalam proses ML/DL.
3.2 Contoh
Dalam sebuah proyek penelitian bersama, kami sedang mengembangkan mesin berkinerja tinggi yang tangguh untuk analisis geospasial berbasis ML/DL eksperimental. Mesin ini menyediakan fitur untuk menyimpan, mengelola, dan memvisualisasikan awan titik 4D yang sangat besar.
Pada Gambar 4, interpretasi point cloud 3D telah digunakan untuk mengekstrak entitas infrastruktur bawah tanah di ruang jalan dari data pemetaan seluler (Wolf et al.
2019). Visualisasi tersebut menunjukkan tabung yang diekstraksi dan juga mendeteksi elemen jalan seperti penutup lubang got. Pada Gambar 5, interpretasi awan titik 3D telah mengidentifikasi dan mengklasifikasikan titik-titik sesuai dengan kategori furnitur ruang jalan yang berbeda.
Gambar 6 menunjukkan bagaimana rangkaian waktu dari awan titik 3D, misalnya yang diambil selama pemindaian seluler, dapat diinterpretasikan untuk mengekstrak objek yang relevan seperti rambu jalan, kendaraan, tanaman, dll.
PFG (2020) 88:15-24 25 Pada . 7, diilustrasikan klasifikasi gabungan: sepeda dan
orang yang mengendarai sepeda diidentifikasi dan kemudian dapat digabungkan sebagai 'orang-mengendarai-sepeda'.
Abstraksi tingkat tinggi dapat dibangun dalam langkah pasca- pemrosesan atau sebagai bagian dari proses ML/ DL.
4 AI untuk Kembaran Digital Geospasial
Tuntutan utama dalam proses transformasi digital adalah merepresentasikan kembaran digital dalam arti representasi digital dan reprensentasi yang mencerminkan sifat-sifat utama, perilaku, dan kondisi entitas fisik yang hidup atau tidak hidup (El Saddik 2018). Pembangunan data dasar untuk kembaran digital geospasial berdasarkan skemata model 3D yang didefinisikan secara eksplisit merupakan proses yang padat karya dan rentan terhadap kesalahan, misalnya, model kota 3D virtual dengan tingkat detail yang tinggi seperti CityGML LOD3 atau LOD4 (Löwner dkk. 2016) karena proses rekonstruksi 3D dan juga pemodelan skema harus berurusan dengan data yang tidak akurat, tidak lengkap, dan secara umum tidak dapat menangani kasus-kasus khusus yang tidak tersedia di dalam skema pemodelan. Apakah kita menerapkan matematika yang kuat atau heuristik yang disesuaikan dengan baik, model 3D yang direkonstruksi hampir selalu kurang detail dan hampir tidak dapat mencerminkan sampel yang lemah, tidak biasa, atau entitas yang kabur.
Awan titik 3D merepresentasikan data mentah entitas geospasial dengan cara yang terdefinisi dengan baik, konsisten, dan sederhana, khususnya, untuk lingkungan spasial seperti ruang dalam ruangan (Stojanovic et al. 2019a), model informasi bangunan, dan kota. Interpretasi berbasis ML/DL dapat secara efisien dan efektif menganalisis dan mengatur point cloud 3D tanpa dibatasi oleh skemata pemodelan yang didefinisikan secara eksplisit. Di atas semua itu, ia secara fleksibel menghasilkan semantik sesuai permintaan dan dengan cepat, yaitu membantu
"menyembuhkan" salah satu kelemahan terbesar dari point cloud 3D-kurangnya struktur dan semantik. Hampir tidak ada batasan untuk jenis objek, struktur, atau fenomena 3D tertentu yang dapat diidentifikasi dan diekstraksi oleh interpretasi point cloud 3D berbasis ML/DL.
Selain itu, interpretasi berbasis ML/DL beroperasi pada data geospasial mentah, yaitu dengan mempertahankan tingkat
Gbr. 5 Contoh klasifikasi titik untuk sebuah skenario ruang jalan. Tanah, bangunan, kendaraan, pejalan kaki, dan berbagai objek perabot jalan
diklasifikasikan dengan pendekatan berbasis PointNet dan divisualisasikan dengan warna yang berbeda
Gbr. 6 Contoh klasifikasi objek (berdasarkan PointNet) dalam skenario dinamis yang diberikan oleh deret waktu awan titik 3D
orisinalitas, sementara hanya menggunakan pemodelan eksplisit tingkat sedang untuk fitur yang diekstraksi (Gbr. 8).
ini, di satu sisi, menyederhanakan manajemen dan penyimpanan, khususnya, jika menyangkut deret waktu. Di sisi lain, hal ini membantu mengidentifikasi dan mengklasifikasikan entitas yang ambigu atau kabur sesuai kebutuhan, misalnya membangun kembaran digital geospasial secara kuat dan otomatis.
5 Kesimpulan
AI secara radikal mengubah paradigma pemrograman dan solusi perangkat lunak di semua domain aplikasi. Dalam domain geospasial, karakteristik data sangat cocok untuk pendekatan ML/DL karena geodata sesuai dengan konsep
"korpus linguistik" seperti yang digambarkan dalam konteks hipotesis kealamian. Analisis dan ekstraksi fitur berbasis ML/DL dari point cloud 3D, misalnya, dapat digunakan untuk mendapatkan semantik yang spesifik untuk aplikasi, domain, dan tugas tertentu.
Yang terpenting, interpretasi berbasis ML/DL dari point cloud 3D memungkinkan kita untuk melampaui pemodelan geospasial eksplisit dan, oleh karena itu, untuk mengatasi rekonstruksi berbasis heuristik yang kompleks dan abstraksi berbasis model. Dalam hal ini,
Gbr. 7 Contoh klasifikasi komposit (data dari Stadt Hamburg). Sepeda dan pesepeda dipisahkan berdasarkan klasifikasi berbasis DL
PFG (2020) 88:15-24 27
Gbr. 8 Semakin tinggi tingkat pemodelan eksplisit, semakin sedikit data mentah asli yang dipertahankan karena semakin banyak asumsi dan abstraksi yang diperkenalkan. Oleh karena itu, detail data menghilang dan model yang dihasilkan lebih sedikit untuk tujuan umum
Teknologi AI dapat digunakan untuk menyederhanakan dan mempercepat alur kerja untuk pemrosesan geodata dan sistem geoinformasi. Tentu saja, tantangan terkait ML/DL yang krusial muncul dari permintaan data pelatihan yang efektif dan representasi fitur yang efisien.
Terakhir, solusi berbasis ML/DL menawarkan penyederhanaan dalam dimensi rekayasa perangkat lunak.
Sebagian besar implementasi saat ini (sering kali secara historis tumbuh dengan sejumlah besar apa yang disebut utang teknis) akan secara parsial digantikan oleh subsistem "kotak hitam" ML / DL, yang memiliki manajemen perangkat lunak dan kompleksitas pengembangan perangkat lunak yang jauh lebih sedikit. Secara khusus, sebagian besar rutinitas analisis berbasis heuristik dan diprogram secara eksplisit, yang cenderung sulit untuk diparameterisasi dan dikonfigurasi, dapat dimigrasikan dengan cara ini. Sebagai konsekuensinya, pendekatan berbasis ML/DL, dalam jangka panjang, memiliki potensi untuk "" banyak implementasi SIG yang diprogram secara eksplisit saat ini.
Ucapan Terima Kasih Pendanaan Akses Terbuka disediakan oleh Projekt DEAL. Kami berterima kasih kepada Benjamin Hagedorn, Johannes Wolf, Rico Richter, dan Vladeta Stojanovic atas kontribusinya dalam penelitian ML/DL geospasial HPI. Kami juga berterima kasih kepada asosiasi GraphicsVision.AI atas dukungan mereka melalui retret penelitian Málaga dan pointcloudtechnology.com yang telah menyediakan platform point cloud 3D PunctumTube. Pekerjaan penelitian ini sebagian didukung oleh Kementerian Pendidikan dan Penelitian Federal Jerman (BMBF) sebagai bagian dari hibah penelitian untuk HPI AI Lab, PunctumTube, dan GeoPortfolio.
Akses Terbuka Artikel ini dilisensikan di bawah Lisensi Internasional Creative Commons Attri-bution 4.0, yang mengizinkan penggunaan, berbagi, adaptasi, distribusi, dan reproduksi dalam media atau format apa pun, selama Anda memberikan kredit yang sesuai kepada penulis asli dan sumbernya, memberikan tautan ke lisensi Creative Commons, dan menunjukkan apakah ada perubahan yang dilakukan. Gambar atau materi pihak ketiga lainnya dalam artikel ini termasuk dalam lisensi Creative Commons artikel, kecuali jika dinyatakan sebaliknya dalam baris kredit pada materi tersebut. Jika materi tidak termasuk dalam lisensi Creative Commons artikel dan penggunaan yang Anda maksudkan tidak diizinkan oleh peraturan perundang-undangan atau melebihi penggunaan yang diizinkan, Anda harus mendapatkan izin langsung dari pemegang hak cipta. Untuk melihat salinan lisensi ini, kunjungi http://creativecommons.org/licenses/by/4.0/.
Referensi
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, Cor- rado GS, Davis A, Dean J, Devin M, Ghemawat S, Goodfellow IJ, Harpa A, Irving G, Isard M (2016) TensorFlow: pembelajaran mesin berskala besar pada sistem terdistribusi yang heterogen. CoRR arXiv:1603.04467
Allamanis M, Barr E, Devanbu P, Sutton C (2018) Survei pembelajaran mesin untuk kode besar dan kealamian. ACM Comput Surv 51(4):81:1-81:37
Alpaydin E (2014) Pengantar pembelajaran mesin, 3rd edn. MIT Press, Komputasi Adaptif dan Pembelajaran Mesin
Copeland J (1993) Kecerdasan Buatan: sebuah pengantar filosofis.
Wiley-Blackwell, Amerika Serikat
de Boer P, Kroese D, Shie M, Rubinstein R (2005) Sebuah tutorial mengenai metode cross-entropy. Ann Operations Res 134(1):19-67 El Saddik A (2018) Kembar digital: konvergensi teknologi multimedia-
nologies. IEEE MultiMedia 25(2):87-92
Gandomi A, Haider M (2015) Di luar hype: konsep data besar, metode, dan analisis. Int J Inf Manag 35(2):137-144
Goodfellow I, Bengio Y, Courville A (2016) Pembelajaran mendalam. MIT Press. http://www.deeplearningbook.org
Griffiths D, Boehm J (2019) Sebuah tinjauan tentang teknik pembelajaran mendalam untuk klasifikasi data penginderaan 3D. CoRR arXiv:abs/1907.04444,
Gross M, Pfister H (2007) Grafis berbasis titik. Morgan Kaufmann Publishers Inc, Amerika Serikat
Haenlein M, Kaplan A (2019) Sejarah singkat kecerdasan buatan: tentang masa lalu, sekarang, dan masa depan kecerdasan buatan. Calif Manag Rev 61(4):5-14
Hatcher W, Yu W (2018) Sebuah survei tentang pembelajaran mendalam:
platform, aplikasi, dan tren penelitian yang muncul. IEEE Access 6:24411-24432. https://doi.org/10.1109/ACCESS.2018.2830661 Hindle A, Barr E, Su Z, Gabel M, Devanbu P (2012) Tentang Kealamian
Perangkat Lunak. Dalam: Prosiding konferensi internasional ke-34 tentang rekayasa perangkat lunak, IEEE Press, ICSE '12, hal 837- 847
Humby C (2006) http://www.humbyanddunn.com
Janowicz K, Gao S, McKenzie G, Hu Y, Bhaduri B (2020) GeoAI: teknik kecerdasan buatan yang eksplisit secara spasial untuk penemuan pengetahuan geografis dan seterusnya. Int J Geogr Inf Sci.
https://doi. org/10.1080/13658816.2019.1684500
Jurafsky D, Martin J (2000) Speech and language processing: an intro to natural language processing, computational linguistics, and speech recognition, 1st edn. Prentice Hall PTR, Amerika Serikat
Kanevski M, Foresti L, Kaiser C, Pozdnoukhov A, Timonin V, Tuia D (2009) Model pembelajaran mesin untuk data geospasial. Buku pegangan geografi teoretis dan kuantitatif. Universitas Lausanne, Lausanne, hal 175-227
Kelly K (2017) Kultus Kargo AI: mitos tentang AI manusia super. Tech.
rep., Backchannel. https://www.wired.com/2017/04/the-myth-of- a- superhuman-ai
Khajavi SH, Hossein Motlagh N, Jaribion A, Werner LC, Holmström J (2019) Kembaran digital: visi, manfaat, batasan, dan untuk bangunan. IEEE Access 7: 147406-147419. https://doi.
org/10.1109/ACCESS.2019.2946515
Kitchin R, McArdle G (2016) Apa yang membuat data besar menjadi data besar? Mengeksplorasi karakteristik ontologis dari 26 set data. Big Data Soc. https://doi.org/10.1177/2053951716631130
Lecun Y (2017) AI akan memperkuat kecerdasan manusia, bukan menggantikannya. FAZ Netzwirtschaft. https://www.faz.net/-gqm- 8yrxk
LeCun Y, Bengio Y, Hinton G (2015) Pembelajaran mendalam. Nature 521: 436-
444. https://doi.org/10.1038/nature14539
Löwner MO, Gröger G, Benner J, Biljecki F, Nagel C (2016) Proposal untuk LOD baru dan konsep multi-representasi untuk CityGML.
Dalam: Catatan sejarah ISPRS tentang fotogrametri, penginderaan jauh dan ilmu informasi spasial, vol 4, hal 3-12
Marcus G (2018) Pembelajaran mendalam: penilaian kritis. CoRR arXiv :abs/1801.00631
Marr B (2018) Inilah alasan mengapa data bukanlah minyak baru. Forbes.
www.forbe s.com
Najafabadi MM, Villanustre F, Khoshgoftaar TM et al (2015) Aplikasi pembelajaran mendalam dan tantangan dalam analisis data besar. J Big Data 2:1. https://doi.org/10.1186/s40537-014-0007-7
Openshaw S, Openshaw C (1997) Kecerdasan buatan dalam geografi.
Wiley, Amerika Serikat
Palatini K (2014) Joseph Weizenbaum, tanggung jawab dan robot humanoid. Dalam: Funk M, Irrgang B (eds) Robotika di Jerman dan Jepang. Perspektif filosofis dan teknis. Peter Lang, USA, hal 163-169 Posada J, Zorrilla M, Dominguez A, Simoes B, Eisert P, Stricker D,
Rambach J, Döllner J, Guevara M (2018) Teknologi grafis dan media untuk operator di industri 4.0. IEEE Comput Graph Appl 38(5):119-132
Purdy M, Daugherty P (2017) Bagaimana AI meningkatkan keuntungan industri dan inno- vasi. http://www.accenture.com
Qi C, Su H, Mo K, Guibas L (2016a) PointNet: pembelajaran mendalam pada kumpulan titik untuk klasifikasi dan segmentasi 3D. CoRR arXiv
:abs/1612.00593
Qi C, Su H, Nießner M, Dai A, Yan M, Guibas L (2016b) Volumetrik dan multi-view CNN untuk klasifikasi objek pada data 3D. CoRR arXiv:1604.03265
Qi Q, Tao F (2018) Kembar digital dan data besar menuju manufaktur cerdas dan industri 4.0: Perbandingan 360 derajat. Akses IEEE 6:3585-3593
Qi V, Yi L, Su H, Guibas L (2017) PointNet++: Pembelajaran fitur hirarkis yang mendalam pada himpunan titik dalam ruang metrik.
CoRR arXiv :1706.02413
Reuther A, Michaleas P, Jones M, Gadepally V, Samsi S, Kepner J (2019) Survei dan tolok ukur akselerasi pembelajaran mesin. Dalam:
Konferensi Komputasi Ekstrem Kinerja Tinggi IEEE 2019 (2019 IEEE High Performance Extreme Computing Conference (HPEC), hal 1-9
Richter R (2018) Konsep dan teknik untuk memproses dan merender awan titik 3D yang sangat besar. Tesis PhD, Universitas Potsdam, Fakultas Teknik Digital, Hasso Plattner Institute
Roveri R, Rahmann L, Öztireli C, Gross M (2018) Sebuah arsitektur jaringan untuk klasifikasi awan titik melalui pembuatan gambar kedalaman otomatis. Dalam: Konferensi IEEE 2018 tentang visi komputer dan pengenalan pola, CVPR 2018, Salt Lake City, UT, AS, Juni 18-22, 2018, hal 4176-4184
Rozsa A, Günther M, Boult T (2016) Apakah akurasi dan ketahanan saling terkait. Dalam: Konferensi internasional IEEE ke-15 tahun 2016 tentang pembelajaran dan aplikasi mesin (ICMLA), hal 227- 232
Smith T (1984) Kecerdasan buatan dan penerapannya pada pemecahan masalah geografis. Prof Geogrh 36(2):147-158
Stojanovic V, Trapp M, Döllner J, Richter R (2019a) Klasifikasi awan titik dalam ruangan menggunakan multiview. Dalam: Konferensi internasional ke-24 tentang teknologi web 3D, Web3D, Los Angeles, Juli 26-28, 2019, hlm 1-9
Stojanovic V, Trapp M, Richter R, Döllner J (2019b) Pembuatan denah 2D dan 3D yang diperkirakan dari awan titik 3D. Dalam: Prosiding konferensi gabungan internasional ke-14 tentang visi komputer, pencitraan dan teori dan aplikasi grafik komputer, VISIGRAPP 2019, Vol 1: GRAPP, hal 177-184
Su H, Maji S, Kalogerakis E, Learned-Miller E (2015) Jaringan saraf konvolusi multi-tampilan untuk pengenalan bentuk 3D. Dalam:
Prosiding konferensi internasional IEEE 2015 tentang visi komputer (ICCV), IEEE Computer Society, ICCV '15, hal 945-953
Van Der Maaten L, Postma E, Van den Herik J (2009) Pengurangan dimensi- ity: tinjauan komparatif. J Mach Learn Res 10: 66-71 Vopham T, Hart J, Laden F, Chiang Y (2018) Tren yang muncul dalam kecerdasan buatan geospasial (geoAI): aplikasi potensial untuk epidemiologi lingkungan. Kesehatan Lingkungan. https://doi.
org/10.1186/s12940-018-0386-x
Wang D, Szymanski B, Abdelzaher T, Ji H, Kaplan L (2018a) Usia penginderaan sosial. CoRR arXiv: abs / 1801.09116
Wang Y, Sun Y, Liu Z, Sarma S, Bronstein M, Solomon J (2018b) Grafik dinamis CNN untuk pembelajaran pada awan titik. CoRR arXiv :1801.07829
Wang Y, Wang Q, Shi S, He X, Tang Z, Zhao K, Chu X (2019) Benchmarking kinerja dan kekuatan akselerator AI untuk pelatihan AI . arXiv: 1909.06842
Weinmann M, Schmidt A, Mallet C, Hinz S, Rottensteiner F, Jutzi B (2015) Klasifikasi kontekstual data point cloud dengan mengeksploitasi lingkungan 3D individu. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci II-3/W4:271-278
Weizenbaum J (1966) ELIZA-sebuah program komputer untuk mempelajari komunikasi bahasa alami antara manusia dan mesin.
Commun ACM 9(1):36-45
Wolf J, Richter R, Döllner J (2019) Teknik untuk klasifikasi otomatis dan pemisahan awan titik 3D pemetaan seluler. Dalam: Prosiding konferensi gabungan internasional ke-14 tentang teori dan aplikasi penglihatan, pencitraan, dan grafik komputer dan aplikasi, VISIGRAPP 2019, vol 1: GRAPP, hal 201-208
Zhang C, Vinyals O, Munos R, Bengio S (2018) Sebuah studi tentang overfitting dalam pembelajaran penguatan mendalam. CoRR arXiv:
1804.06893
Zollhöfer M, Stotko P, Görlitz A, Theobalt C, Niessner M, Klein R, Kolb A (2018) Keadaan mutakhir dalam rekonstruksi 3D dengan kamera RGB-D. Forum Grafik Komputasi 37:625-652
