論文の概要: Semantic Segmentation and Data Fusion of Microsoft Bing 3D Cities and
Small UAV-based Photogrammetric Data
- arxiv url: http://arxiv.org/abs/2008.09648v1
- Date: Fri, 21 Aug 2020 18:56:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 21:54:32.660813
- Title: Semantic Segmentation and Data Fusion of Microsoft Bing 3D Cities and
Small UAV-based Photogrammetric Data
- Title(参考訳): microsoft bing 3d都市におけるセマンティックセグメンテーションとデータ融合
- Authors: Meida Chen, Andrew Feng, Kyle McCullough, Pratusha Bhuvana Prasad,
Ryan McAlinden, Lucio Soibelman
- Abstract要約: 著者らは、UAVベースのフォトグラムデータを用いてシミュレーション地形を作成するための、完全に自動化されたデータセグメンテーションとオブジェクト情報抽出フレームワークを発表した。
航空機による測光データにおけるデータ品質の問題を特定する。
著者らは、伝統的な反復的最近点(ICP)と抽出された意味情報を利用するデータ登録ワークフローも提案した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With state-of-the-art sensing and photogrammetric techniques, Microsoft Bing
Maps team has created over 125 highly detailed 3D cities from 11 different
countries that cover hundreds of thousands of square kilometer areas. The 3D
city models were created using the photogrammetric technique with
high-resolution images that were captured from aircraft-mounted cameras. Such a
large 3D city database has caught the attention of the US Army for creating
virtual simulation environments to support military operations. However, the 3D
city models do not have semantic information such as buildings, vegetation, and
ground and cannot allow sophisticated user-level and system-level interaction.
At I/ITSEC 2019, the authors presented a fully automated data segmentation and
object information extraction framework for creating simulation terrain using
UAV-based photogrammetric data. This paper discusses the next steps in
extending our designed data segmentation framework for segmenting 3D city data.
In this study, the authors first investigated the strengths and limitations of
the existing framework when applied to the Bing data. The main differences
between UAV-based and aircraft-based photogrammetric data are highlighted. The
data quality issues in the aircraft-based photogrammetric data, which can
negatively affect the segmentation performance, are identified. Based on the
findings, a workflow was designed specifically for segmenting Bing data while
considering its characteristics. In addition, since the ultimate goal is to
combine the use of both small unmanned aerial vehicle (UAV) collected data and
the Bing data in a virtual simulation environment, data from these two sources
needed to be aligned and registered together. To this end, the authors also
proposed a data registration workflow that utilized the traditional iterative
closest point (ICP) with the extracted semantic information.
- Abstract(参考訳): Microsoft Bing Mapsのチームは、最先端のセンシングとフォトグラム技術を使って、11の国から125以上の高度に詳細な3D都市を作成した。
3Dシティーモデルは、航空機に搭載されたカメラから高解像度の画像を撮影するフォトグラム技術を用いて作成された。
このような大規模な3D都市データベースは、軍事作戦を支援する仮想シミュレーション環境の構築に関して、アメリカ陸軍の注目を集めている。
しかし,3次元都市モデルは建物,植生,地盤などの意味情報を持っておらず,高度なユーザレベルやシステムレベルのインタラクションを許容できない。
I/ITSEC 2019で著者らは、UAVベースのフォトグラムデータを使用してシミュレーション地形を作成するための、完全に自動化されたデータセグメンテーションとオブジェクト情報抽出フレームワークを発表した。
本稿では3次元都市データのセグメンテーションのための設計したデータセグメンテーションフレームワークの次のステップについて述べる。
本研究では,bingデータに適用した場合の既存フレームワークの強みと限界について最初に検討した。
UAVベースと航空機ベースの測光データの主な違いが強調されている。
航空機用フォトグラムデータにおけるデータ品質問題は,セグメンテーション性能に悪影響を及ぼす可能性がある。
この結果に基づき、Bingデータのセグメンテーションに特化してワークフローを設計した。
さらに,小型無人航空機(UAV)収集データとBingデータの両方を仮想シミュレーション環境で組み合わせることが最終目的であるため,これら2つのソースからのデータを連携して登録する必要がある。
この目的のために著者らは,従来の反復的最近点(ICP)と抽出された意味情報を利用するデータ登録ワークフローも提案した。
関連論文リスト
- UniG3D: A Unified 3D Object Generation Dataset [75.49544172927749]
UniG3Dは、ShapeNetデータセット上に普遍的なデータ変換パイプラインを用いて構築された、統一された3Dオブジェクト生成データセットである。
このパイプラインは、各生の3Dモデルを包括的なマルチモーダルデータ表現に変換する。
データセットのデータソースの選択は、そのスケールと品質に基づいています。
論文 参考訳(メタデータ) (2023-06-19T07:03:45Z) - Argoverse 2: Next Generation Datasets for Self-Driving Perception and
Forecasting [64.7364925689825]
Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。
Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。
Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
論文 参考訳(メタデータ) (2023-01-02T00:36:22Z) - Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
1枚以上の画像から3D屋内シーンを没入する問題について検討する。
我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。
本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
論文 参考訳(メタデータ) (2022-04-06T17:54:46Z) - 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) - VPFNet: Improving 3D Object Detection with Virtual Point based LiDAR and
Stereo Data Fusion [62.24001258298076]
VPFNetは、ポイントクラウドとイメージデータを仮想のポイントで巧みに調整し集約する新しいアーキテクチャである。
当社のVPFNetは,KITTIテストセットで83.21%の中等度3D AP,91.86%中等度BEV APを達成し,2021年5月21日以来の1位となった。
論文 参考訳(メタデータ) (2021-11-29T08:51:20Z) - Ground material classification and for UAV-based photogrammetric 3D data
A 2D-3D Hybrid Approach [1.3359609092684614]
近年,物理環境を表す3次元仮想データを作成するために,多くの領域でフォトグラム法が広く用いられている。
これらの最先端技術は、迅速な3D戦場再建、仮想訓練、シミュレーションを目的として、アメリカ陸軍と海軍の注意を引き付けている。
論文 参考訳(メタデータ) (2021-09-24T22:29:26Z) - H3D: Benchmark on Semantic Segmentation of High-Resolution 3D Point
Clouds and textured Meshes from UAV LiDAR and Multi-View-Stereo [4.263987603222371]
本稿では,3つの方法でユニークな3次元データセットを提案する。
ヘシグハイム(ドイツ語: Hessigheim, H3D)は、ドイツの都市。
片手で3次元データ分析の分野での研究を促進するとともに、新しいアプローチの評価とランク付けを目的としている。
論文 参考訳(メタデータ) (2021-02-10T09:33:48Z) - 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) - Generating synthetic photogrammetric data for training deep learning
based 3D point cloud segmentation models [0.0]
I/ITSEC 2019で著者らは、3Dフォトグラムのポイントクラウド/ミームをセグメント化し、オブジェクト情報を抽出する、完全に自動化されたワークフローを発表した。
最終的な目標は、現実的な仮想環境を作成し、シミュレーションに必要な情報を提供することである。
論文 参考訳(メタデータ) (2020-08-21T18:50:42Z) - A Nearest Neighbor Network to Extract Digital Terrain Models from 3D
Point Clouds [1.6249267147413524]
本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。
我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
論文 参考訳(メタデータ) (2020-05-21T15:54:55Z)
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。