Evaluation of the performance of detecting the manhole used in the telecommunication sector from the street-level images

Abstract

Within the scope of the study, with the proposed method, called innovative method, the manholes used in the telecommunication sector are identified with the deep learning approach from the street-level images and location information of these manholes are produced. In order to evaluate the performance of the innovative method, the results obtained with it in three different study regions located within the borders of the city of Istanbul were compared with the results of the traditional method currently used in the telecommunication sector. During the comparative analysis, the differences between coordinate values of the manholes produced by both methods were determined, the reasons for these differences were emphasized and the possible improvements were discussed. According to the findings, it is concluded that the innovative method cannot replace the traditional method in the current situation. However, if both methods are used together, effectiveness and efficiency in the applications in the telecommunications sector will increase. Nevertheless, in the near future, it is anticipated that the innovative method will replace the traditional method if the suggestions made within the scope of the study are taken into consideration in the solutions of detecting the assets and determining the assets’ coordinates.

Keywords

• Telecommunication
• Street-level image
• Tagged (geo)spatial data
• Deep learning
• Performance evaluation
• (Geo)Spatial intelligence

Telekomünikasyon sektöründe kullanılan ek odası kapaklarının sokak düzeyi görüntülerinden tespit edilme başarımının değerlendirilmesi

Abstract

Çalışma kapsamında yenilikçi olarak nitelendirilen yöntemle sokak düzeyi görüntülerinden derin öğrenme yaklaşımı ile telekomünikasyon sektöründe kullanılan ek odası kapakları tespit edilmekte ve bu kapakların konum bilgileri üretilmektedir. Sözü edilen yöntemin başarımının değerlendirilmesi için İstanbul ili sınırlarında yer alan üç farklı çalışma bölgesinde elde edilen sonuçlar halihazırda telekomünikasyon sektöründe kullanılmakta olan geleneksel yöntemin sonuçlarıyla karşılaştırılmıştır. Karşılaştırmalı analiz sırasında her iki yöntemle üretilmiş olan ek odası koordinat değerleri arasındaki farklar belirlenmiş, bu farklılıkların nedenleri üzerinde durulmuş ve yapılabilecek iyileştirmelerin neler olabileceği üzerine tartışılmıştır. Elde edilen bulgular ışığında yenilikçi yöntemin mevcut durumda doğruluk başarımı özelinde geleneksel yöntemin yerini alamayacağı ve birlikte kullanılmaları durumunda telekomünikasyon sektöründeki uygulamalarda verimliliğin artacağı sonucuna ulaşılmıştır. Bu türden bir yenilikçi yöntemin kullanıldığı varlık tanımlama ve varlıkların koordinatlarını belirleme çözümlerinde, çalışma kapsamında yapılan önerilerin dikkate alınması durumunda yakın gelecekte yenilikçi yöntemin, geleneksel yöntemin yerine geçeceği öngörülmektedir.

Keywords

• Haberleşme
• Sokak düzeyi görüntü
• Etiketlenmiş mekansal veri
• Derin öğrenme
• Başarım değerlendirmesi
• Mekansal zeka

References

1. Dellaert, F., Seitz, S. M., Thorpe, C. E., & Thrun, S. (2000). Structure from motion without correspondence. Proceedings IEEE Conference on Computer Vision and Pattern Recognition. 2, 557-564.
2. Ertler, C., Mislej, J., Ollmann, T., Porzi, L., Neuhold, G., & Kuang, Y. (2019). The Mapillary Traffic Sign Dataset for Detection and Classification on a Global Scale. arXiv:1909.04422.
3. Fawcett, T. (2006). An introduction to ROC analysis. Pattern recognition letters, 27(8), 861-874.
4. Fischler, M. A., & Bolles, R. C. (1981). Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6), 381-395.
5. Fonstad, M. A., Dietrich, J. T., Courville, B. C., Jensen, J. L., & Carbonneau, P. E. (2013). Topographic structure from motion: a new development in photogrammetric measurement. Earth surface processes and Landforms, 38(4), 421-430.
6. Hebbalaguppe, R., Garg, G., Hassan, E., Ghosh, H., & Verma, A. (2017). Telecom Inventory management via object recognition and localisation on Google Street View Images. 2017 IEEE Winter Conference on Applications of Computer Vision (WACV). 725-733.
7. Hussain, A., Kazmi, J. H., & Arsalan, M. H. (2017). Integration of Telecom Databases with Geodatabase Model for The Effective Telecom Network Management Through Geo-Informatics. Journal of Basic and Applied Sciences, 13, 272-280.
8. Krylov, V. A., Kenny, E., & Dahyot, R. (2018). Automatic discovery and geotagging of objects from street view imagery. Remote Sensing, 10(5), 661.

9. Lowe, D. G. (2004). Distinctive image features from scale-invariant keypoints. International journal of computer vision, 60(2), 91-110.
10. Neuhold, G., Ollmann, T., Rota Bulo, S., & Kontschieder, P. (2017). The mapillary vistas dataset for semantic understanding of street scenes. Proceedings of the IEEE International Conference on Computer Vision, 4990-4999.
11. Powers, D.M.W. (2011). Evaluation: From Precision, Recall And F-Measure To ROC, Informedness, Markedness & Correlation. Journal of Machine Learning Technologies. 2(1), 37-63.
12. Schonberger, J. L., & Frahm, J. M. (2016). Structure-from-motion revisited. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,4104-4113.
13. Snavely K.N. (2008). Scene reconstruction and visualization from internet photo collections (Doktora Tezi). University of Washington, Amerika Birleşik Devletleri..
14. Snavely, N., Seitz, S. M., & Szeliski, R. (2008). Modeling the world from internet photo collections. International journal of computer vision, 80(2), 189-210.
15. Tharwat, A. (2018). Classification assessment methods. Applied Computing and Informatics.
16. Ullman, S. (1979). The interpretation of structure from motion. Proceedings of the Royal Society of London. Series B. Biological Sciences, 203(1153), 405-426.
17. URL-1: The Economist - European telecoms: In a hole, https://www.economist.com/business/2013/06/29/in-a-hole, (Erişim Tarihi: 26 Ağustos 2019).
18. URL-2: blog.mapillary.com, (Erişim Tarihi: 6 Ekim 2019).
19. URL-3: https://www.mapillary.com/project/verification/t9qFVfNh3ltDtiDO2fb2mr, (Erişim Tarihi: 12 Kasım 2019).
20. URL-4: https://www.mapillary.com/project/verification/t9qFVfNh3ltDtiDO2fb2mr, (Erişim Tarihi: 12 Kasım 2019).