論文の概要: Augmented Semantic Signatures of Airborne LiDAR Point Clouds for Comparison

• arxiv url: http://arxiv.org/abs/2005.02152v2
• Date: Sat, 8 Aug 2020 04:32:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 14:36:13.527456
• Title: Augmented Semantic Signatures of Airborne LiDAR Point Clouds for Comparison
• Title（参考訳）: 航空機搭載LiDAR点雲の重畳信号の比較
• Authors: Jaya Sreevalsan-Nair and Pragyan Mohapatra
• Abstract要約: 点雲の配向不変な幾何学的シグネチャを提案する。 幾何的不確かさと意味的内容のイメージベース符号化である幾何学的シグネチャの異なる特性について検討する。 以上の結果から,シグネチャの違いは点雲の幾何学的・意味的な差異と相関していることがわかった。
• 参考スコア（独自算出の注目度）: 0.6853165736531939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LiDAR point clouds provide rich geometric information, which is particularly useful for the analysis of complex scenes of urban regions. Finding structural and semantic differences between two different three-dimensional point clouds, say, of the same region but acquired at different time instances is an important problem. A comparison of point clouds involves computationally expensive registration and segmentation. We are interested in capturing the relative differences in the geometric uncertainty and semantic content of the point cloud without the registration process. Hence, we propose an orientation-invariant geometric signature of the point cloud, which integrates its probabilistic geometric and semantic classifications. We study different properties of the geometric signature, which are an image-based encoding of geometric uncertainty and semantic content. We explore different metrics to determine differences between these signatures, which in turn compare point clouds without performing point-to-point registration. Our results show that the differences in the signatures corroborate with the geometric and semantic differences of the point clouds.
• Abstract（参考訳）: LiDAR点雲は豊富な幾何学的情報を提供し、特に都市部の複雑な場面の分析に有用である。 同一領域の異なる2つの異なる3次元点雲間の構造的および意味的差異を見つけることは、異なる時間で取得される重要な問題である。 ポイントクラウドの比較には計算コストの高い登録とセグメンテーションが含まれる。 登録プロセスなしで点雲の幾何的不確かさと意味的内容の相対的な違いを捉えることに興味がある。 そこで本研究では,その確率的幾何学的・意味的分類を統合した点雲の向き不変幾何シグネチャを提案する。 幾何学的不確かさと意味的内容のイメージベースエンコーディングである幾何学的シグネチャの異なる性質について検討する。 これらのシグネチャの違いを判断するために、異なるメトリクスを探索し、ポイント・ツー・ポイントの登録を行わずにポイント・クラウドを比較する。 その結果,シグネチャの差異は点雲の幾何学的・意味的差異と相関することがわかった。

関連論文リスト

• Bridging Domain Gap of Point Cloud Representations via Self-Supervised Geometric Augmentation [15.881442863961531]
  領域間の点雲表現の幾何学的不変性を誘導する新しいスキームを提案する。 一方、点雲のセントロイドシフトを軽減するために、拡張サンプルの距離の変換を予測するための新しいプレテキストタスクが提案されている。 一方,我々は幾何学的に拡張された点雲上での自己教師付き関係学習の統合を開拓した。
  論文  参考訳（メタデータ） (2024-09-11T02:39:19Z)
• Neural varifolds: an aggregate representation for quantifying the geometry of point clouds [2.2474167740753557]
  本稿では,新しい表面形状特徴化,すなわち点雲のニューラルバリアフォールド表現を提案する。 変数表現は、多様体に基づく判別を通じて点雲の表面幾何学を定量化する。 提案したニューラルバリアフォールドは, 形状マッチング, 少数ショット形状分類, 形状再構成の3つの異なるタスクで評価される。
  論文  参考訳（メタデータ） (2024-07-05T20:08:16Z)
• Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration [22.308070598885532]
  我々は、ポイントクラウド登録問題をセマンティックインスタンスマッチングと登録タスクとして扱う。 大規模屋外クラウド登録のためのディープセマンティックグラフマッチング法(DeepSGM)を提案する。 KITTIオドメトリデータセットで行った実験結果から,提案手法が登録性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-08-10T03:07:28Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• D-Net: Learning for Distinctive Point Clouds by Self-Attentive Point Searching and Learnable Feature Fusion [48.57170130169045]
  我々は,自己注意点探索と学習可能な特徴融合に基づいて,特徴点雲を学習するためのD-Netを提案する。 各特徴点集合に対してコンパクトな特徴表現を生成するために,その特徴を抽出するために,積み重ねられた自己ゲート畳み込みを提案する。 その結果、学習した点雲の区別分布は、同じクラスのオブジェクトと高度に一致し、他のクラスのオブジェクトと異なることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-10T02:19:00Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• GFNet: Geometric Flow Network for 3D Point Cloud Semantic Segmentation [91.15865862160088]
  本稿では,異なるビュー間の幾何対応性を検討するための幾何フローネットワーク (GFNet) を提案する。 具体的には、異なる視点にまたがって補完情報を双方向に整列し、伝播する新しい幾何フローモジュール(GFM)を考案する。
  論文  参考訳（メタデータ） (2022-07-06T11:48:08Z)
• Neighborhood-aware Geometric Encoding Network for Point Cloud Registration [0.0]
  周辺を意識した幾何学。 正確なポイントクラウド登録のためのネットワーク(NgeNet)。 NgeNetはモデルに依存しないため、他のネットワークに簡単に移行できる。
  論文  参考訳（メタデータ） (2022-01-28T13:04:54Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• Geometric Attention for Prediction of Differential Properties in 3D Point Clouds [32.68259334785767]
  本研究では,このような特性を学習可能な方法で提供できる幾何学的注意機構を提案する。 本研究では,正規ベクトルの予測と特徴線の抽出に関する実験により,提案手法の有用性を確立した。
  論文  参考訳（メタデータ） (2020-07-06T07:40:26Z)
• SSN: Shape Signature Networks for Multi-class Object Detection from Point Clouds [96.51884187479585]
  点雲から形状情報を探索する新しい3次元形状シグネチャを提案する。 対称, 凸船体, チェビシェフフィッティングの操作を取り入れることで, 提案した形状のシグ・ナチュアはコンパクトで有効であるだけでなく, 騒音にも頑健である。 実験により,提案手法は2つの大規模データセット上の既存手法よりも著しく優れた性能を示した。
  論文  参考訳（メタデータ） (2020-04-06T16:01:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。