論文の概要: HoliCity: A City-Scale Data Platform for Learning Holistic 3D Structures
- arxiv url: http://arxiv.org/abs/2008.03286v2
- Date: Thu, 25 Mar 2021 05:06:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 01:39:23.152805
- Title: HoliCity: A City-Scale Data Platform for Learning Holistic 3D Structures
- Title（参考訳）: HoliCity: 都市規模の3D構造学習用データプラットフォーム
- Authors: Yichao Zhou, Jingwei Huang, Xili Dai, Shichen Liu, Linjie Luo, Zhili
Chen, Yi Ma
- Abstract要約: このデータセットには6,300個の現実世界のパノラマがあり、ロンドンのダウンタウンのCADモデルと正確に一致しており、面積は20km2である。
このデータセットの最終的な目標は、都市再建、マッピング、拡張現実のための実際のアプリケーションをサポートすることだ。
- 参考スコア（独自算出の注目度）: 39.2984574045825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present HoliCity, a city-scale 3D dataset with rich structural
information. Currently, this dataset has 6,300 real-world panoramas of
resolution $13312 \times 6656$ that are accurately aligned with the CAD model
of downtown London with an area of more than 20 km$^2$, in which the median
reprojection error of the alignment of an average image is less than half a
degree. This dataset aims to be an all-in-one data platform for research of
learning abstracted high-level holistic 3D structures that can be derived from
city CAD models, e.g., corners, lines, wireframes, planes, and cuboids, with
the ultimate goal of supporting real-world applications including city-scale
reconstruction, localization, mapping, and augmented reality. The accurate
alignment of the 3D CAD models and panoramas also benefits low-level 3D vision
tasks such as surface normal estimation, as the surface normal extracted from
previous LiDAR-based datasets is often noisy. We conduct experiments to
demonstrate the applications of HoliCity, such as predicting surface
segmentation, normal maps, depth maps, and vanishing points, as well as test
the generalizability of methods trained on HoliCity and other related datasets.
HoliCity is available at https://holicity.io.
- Abstract（参考訳）: 都市規模の3DデータセットであるHoliCityについて紹介する。
現在、このデータセットには6,300の現実世界の解像度パノラマがあり、1,3312 \times 6656$であり、これはロンドンのダウンタウンのcadモデルと正確に一致しており、面積は20 km$^2$であり、平均画像のアライメントの中央値の再投影誤差は半分以下である。
このデータセットは、都市規模の再構築、ローカライゼーション、マッピング、拡張現実を含む現実世界のアプリケーションをサポートするという究極の目標を掲げ、コーナー、ライン、ワイヤーフレーム、飛行機、キューブなどの都市CADモデルから導出される、抽象的な高レベルな3D構造を学習するためのオールインワンのデータプラットフォームである。
3D CADモデルとパノラマの正確なアライメントは、以前のLiDARベースのデータセットから抽出された表面正規化はしばしばノイズが多いため、表面正規化のような低レベルな3D視覚タスクにも有効である。
我々は,ホリシティの応用を実証するために実験を行い,表面分断,正規写像,深度マップ,消滅点の予測や,ホリシティやその他の関連するデータセットで訓練された手法の一般化可能性の検証を行う。
HoliCityはhttps://holicity.io.comで入手できる。
関連論文リスト
- Outdoor Scene Extrapolation with Hierarchical Generative Cellular Automata [70.9375320609781]
我々は,自律走行車(AV)で多量に捕獲された大規模LiDARスキャンから微細な3次元形状を生成することを目指している。
本稿では,空間的にスケーラブルな3次元生成モデルである階層型生成セルオートマトン (hGCA) を提案する。
論文 参考訳（メタデータ） (2024-06-12T14:56:56Z) - CityRefer: Geography-aware 3D Visual Grounding Dataset on City-scale
Point Cloud Data [15.526523262690965]
都市レベルの視覚的接地のためのCityReferデータセットについて紹介する。
データセットは、SensatUrbanの都市シーンに現れる3Dオブジェクトの35kの自然言語記述と、OpenStreetMapと同期する5kのランドマークラベルで構成されている。
論文 参考訳（メタデータ） (2023-10-28T18:05:32Z) - Building3D: An Urban-Scale Dataset and Benchmarks for Learning Roof
Structures from Point Clouds [4.38301148531795]
既存の3Dモデリング用のデータセットは主に家具や車などの一般的なオブジェクトに焦点を当てている。
エストニアの16都市約998Km2をカバーする,160万以上の建物と対応する点雲,メッシュ,ワイヤフレームモデルからなる都市規模データセットを提案する。
実験結果から,ビルディング3Dには高いクラス内分散,データ不均衡,大規模ノイズといった課題があることが示唆された。
論文 参考訳（メタデータ） (2023-07-21T21:38:57Z) - Visual Localization using Imperfect 3D Models from the Internet [54.731309449883284]
本稿では,3次元モデルにおける欠陥が局所化精度に与える影響について検討する。
インターネットから得られる3Dモデルは、容易に表現できるシーン表現として有望であることを示す。
論文 参考訳（メタデータ） (2023-04-12T16:15:05Z) - sat2pc: Estimating Point Cloud of Building Roofs from 2D Satellite
Images [1.8884278918443564]
2次元衛星画像から建物屋根の点を予測するディープラーニングアーキテクチャである sat2pc を提案する。
以上の結果から,SAT2pcは既存のベースラインを少なくとも18.6%上回る性能を示した。
論文 参考訳（メタデータ） (2022-05-25T03:24:40Z) - ImpliCity: City Modeling from Satellite Images with Deep Implicit
Occupancy Fields [20.00737387884824]
ImpliCityは、3Dシーンを暗黙的かつ連続的な占有領域として表現し、ポイント・クラウドとステレオ・フォトの組込みによって駆動される。
画像解像度0.5$,$mのImpliCityは、$approx,$0.7$,$mの平均的な高さ誤差に達し、競合するメソッドを上回っている。
論文 参考訳（メタデータ） (2022-01-24T21:40:16Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳（メタデータ） (2022-01-12T14:48:11Z) - Semantic Segmentation on Swiss3DCities: A Benchmark Study on Aerial
Photogrammetric 3D Pointcloud Dataset [67.44497676652173]
スイスの3つの都市から採取された総面積2.7 km2$の屋外3Dポイントクラウドデータセットを紹介した。
データセットは、ポイントごとのラベルによるセマンティックセグメンテーションのために手動でアノテートされ、高解像度カメラを備えたマルチローターによって取得された画像のフォトグラムを用いて構築される。
論文 参考訳（メタデータ） (2020-12-23T21:48:47Z) - Towards General Purpose Geometry-Preserving Single-View Depth Estimation [1.9573380763700712]
単視点深度推定(SVDE)は、ARアプリケーション、3Dモデリング、ロボット工学におけるシーン理解において重要な役割を果たす。
近年の研究では、成功するソリューションはトレーニングデータの多様性とボリュームに強く依存していることが示されている。
我々の研究は、従来のデータセットとともに、このデータに基づいてトレーニングされたモデルが、正確なシーン形状を予測しながら精度を向上できることを示している。
論文 参考訳（メタデータ） (2020-09-25T20:06:13Z) - Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset,
Benchmarks and Challenges [52.624157840253204]
我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。
私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。
我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
論文 参考訳（メタデータ） (2020-09-07T14:47:07Z)
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。