Dieser Beitrag ist eine kompakte Zusammenfassung der Dissertation „On the Information Transfer Between Imagery, Point Clouds, and Meshes for Multi-Modal Semantics Utilizing Geospatial Data“ (Laupheimer 2022). Die Hauptinnovation besteht in einer neuartigen integrativen Backbone-Infrastruktur, die Pixel aus Bildern, 3D-Punkte aus photogrammetrischen/LiDAR-Punktwolken und Oberflächenelemente von Meshes miteinander verknüpft. Die explizite Verknüpfung dieser verschiedenen Entitäten ermöglicht den automatisierten Austausch von Merkmalen und Labels zwischen den Modalitäten. Dadurch wird der manuelle Annotationsaufwand erheblich reduziert, wie die Aufbereitung des Hessigheim-3D-Benchmarks belegt (Kölle et al. 2021). Gleichzeitig steigert der intermodale Austausch von Merkmalen die Genauigkeit und die Zuverlässigkeit von Methoden des maschinellen Lernens. Die vorgestellte Methodik überzeugt durch ihre Einfachheit und Allgemeingültigkeit. Die Nutzung des Meshs als zentrale Modalität ermöglicht es, die Projektion auf ausschließlich sichtbare 3D-Punkte in den Bildraum zu beschränken. Zukünftige Fortschritte in der Datenerfassung, der automatischen Oberflächenrekonstruktion und im Bereich des maschinellen Lernens werden die vorgestellte Datenfusion und den damit einhergehenden intermodalen Informationsaustausch daher noch leistungsstärker machen.