論文の概要: Tree Annotations in LiDAR Data Using Point Densities and Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2006.05560v1
• Date: Tue, 9 Jun 2020 23:50:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 15:11:14.920593
• Title: Tree Annotations in LiDAR Data Using Point Densities and Convolutional Neural Networks
• Title（参考訳）: 点密度と畳み込みニューラルネットワークを用いたLiDARデータのツリーアノテーション
• Authors: Ananya Gupta, Jonathan Byrne, David Moloney, Simon Watson, Hujun Yin
• Abstract要約: 本稿では,LiDARデータに木をアノテートするための3つの自動手法を提案する。 最初の方法は高密度点雲を必要とし、木同定のために特定のLiDARデータ属性を使用し、ほぼ90%の精度を達成する。 第2の方法は、低密度のLiDARデータセット上で、ボクセルベースの3D畳み込みニューラルネットワークを使用し、ほとんどの大きな木を正確に識別するが、ボクセル化プロセスのために小さな木と競合する。 第3の方法はPointNet++メソッドのスケールバージョンで、アウトドアポイントクラウド上で直接動作し、ISPRSベンチマークデータセット上でF_scoreの82.1%を達成する。
• 参考スコア（独自算出の注目度）: 9.374986160570034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LiDAR provides highly accurate 3D point clouds. However, data needs to be manually labelled in order to provide subsequent useful information. Manual annotation of such data is time consuming, tedious and error prone, and hence in this paper we present three automatic methods for annotating trees in LiDAR data. The first method requires high density point clouds and uses certain LiDAR data attributes for the purpose of tree identification, achieving almost 90% accuracy. The second method uses a voxel-based 3D Convolutional Neural Network on low density LiDAR datasets and is able to identify most large trees accurately but struggles with smaller ones due to the voxelisation process. The third method is a scaled version of the PointNet++ method and works directly on outdoor point clouds and achieves an F_score of 82.1% on the ISPRS benchmark dataset, comparable to the state-of-the-art methods but with increased efficiency.
• Abstract（参考訳）: LiDARは高精度な3Dポイントクラウドを提供する。 しかし、後続の有用な情報を提供するには、データを手動でラベル付けする必要がある。 このようなデータの手動アノテーションは, 時間を要する, 退屈で, エラーが多いため, 本論文では, 木をLiDARデータに注釈付けするための3つの自動手法を提案する。 最初の方法は高密度の点雲を必要とし、特定のlidarデータ属性をツリー識別のために使用し、90%の精度を達成する。 第2の方法は、低密度のLiDARデータセット上で、ボクセルベースの3D畳み込みニューラルネットワークを使用し、ほとんどの大きな木を正確に識別するが、ボクセル化プロセスのために小さな木と競合する。 第3の方法はPointNet++メソッドのスケールバージョンであり、アウトドアポイントクラウド上で直接動作し、ISPRSベンチマークデータセット上でF_scoreの82.1%を達成する。

関連論文リスト

• Benchmarking tree species classification from proximally-sensed laser scanning data: introducing the FOR-species20K dataset [1.2771525473423657]
  FOR-species20Kベンチマークが作成され、33種から20,000以上の樹点雲が形成された。 このデータセットは、樹種分類のためのDLモデルのベンチマークを可能にする。 トップモデルであるDetailViewは特に堅牢で、データの不均衡をうまく処理し、ツリーサイズを効果的に一般化する。
  論文  参考訳（メタデータ） (2024-08-12T21:47:15Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• LiDAR-based curb detection for ground truth annotation in automated driving validation [2.954315548942922]
  本稿では,LiDARセンサから取得した点雲列中の3次元ストレッチを検出する手法を提案する。 シーケンスレベル処理ステップは、車両のオドメトリーを用いて、再構成された点雲内の3D縁石を推定する。 これらの検出は、ラベリングパイプラインの事前アノテーションとして使用して、ストレッチ関連地上真実データを効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-12-01T12:15:09Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• LiDAR-CS Dataset: LiDAR Point Cloud Dataset with Cross-Sensors for 3D Object Detection [36.77084564823707]
  ディープラーニングの手法は注釈付きデータに大きく依存しており、ドメインの一般化の問題に直面することが多い。 LiDAR-CSデータセットは、リアルタイムトラフィックにおける3Dオブジェクト検出の領域におけるセンサ関連ギャップに対処する最初のデータセットである。
  論文  参考訳（メタデータ） (2023-01-29T19:10:35Z)
• Structure Aware and Class Balanced 3D Object Detection on nuScenes Dataset [0.0]
  NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。 このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。 本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
  論文  参考訳（メタデータ） (2022-05-25T06:18:49Z)
• Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
  半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。 サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
  論文  参考訳（メタデータ） (2022-05-02T16:09:17Z)
• Lifting 2D Object Locations to 3D by Discounting LiDAR Outliers across Objects and Views [70.1586005070678]
  本稿では,2次元マスクオブジェクトの予測と生のLiDAR点雲を自動的に3次元境界ボックスに変換するシステムを提案する。 これらの手法は, より複雑なパイプラインや3Dモデル, 付加的な人為的な事前情報ソースを使用するにもかかわらず, 従来よりもはるかに優れていた。
  論文  参考訳（メタデータ） (2021-09-16T13:01:13Z)
• SelfVoxeLO: Self-supervised LiDAR Odometry with Voxel-based Deep Neural Networks [81.64530401885476]
  本稿では,これら2つの課題に対処するために,自己教師型LiDARオドメトリー法(SelfVoxeLO)を提案する。 具体的には、生のLiDARデータを直接処理する3D畳み込みネットワークを提案し、3D幾何パターンをよりよく符号化する特徴を抽出する。 我々は,KITTIとApollo-SouthBayという2つの大規模データセット上での手法の性能を評価する。
  論文  参考訳（メタデータ） (2020-10-19T09:23:39Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。