論文の概要: Semantic Segmentation of Surface from Lidar Point Cloud
- arxiv url: http://arxiv.org/abs/2009.05994v1
- Date: Sun, 13 Sep 2020 13:06:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 03:18:43.782068
- Title: Semantic Segmentation of Surface from Lidar Point Cloud
- Title（参考訳）: ライダーポイント雲からの表面の意味セグメンテーション
- Authors: Aritra Mukherjee, Sourya Dipta Das, Jasorsi Ghosh, Ananda S.
Chowdhury, Sanjoy Kumar Saha
- Abstract要約: Lidarセンサーは、ポイントクラウドのフォーマットで、環境のほぼ正確な3Dマップをリアルタイムで生成することができる。
データはSLAMに関連する情報を抽出するのに適していますが、ポイントクラウドでの何百万ポイントの処理は非常に高価です。
提案手法では,クラウドから意味的にラベル付けされた表面セグメントをリアルタイムで抽出できる高速アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 15.882128188732016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of SLAM (Simultaneous Localization And Mapping) for robot
navigation, mapping the environment is an important task. In this regard the
Lidar sensor can produce near accurate 3D map of the environment in the format
of point cloud, in real time. Though the data is adequate for extracting
information related to SLAM, processing millions of points in the point cloud
is computationally quite expensive. The methodology presented proposes a fast
algorithm that can be used to extract semantically labelled surface segments
from the cloud, in real time, for direct navigational use or higher level
contextual scene reconstruction. First, a single scan from a spinning Lidar is
used to generate a mesh of subsampled cloud points online. The generated mesh
is further used for surface normal computation of those points on the basis of
which surface segments are estimated. A novel descriptor to represent the
surface segments is proposed and utilized to determine the surface class of the
segments (semantic label) with the help of classifier. These semantic surface
segments can be further utilized for geometric reconstruction of objects in the
scene, or can be used for optimized trajectory planning by a robot. The
proposed methodology is compared with number of point cloud segmentation
methods and state of the art semantic segmentation methods to emphasize its
efficacy in terms of speed and accuracy.
- Abstract（参考訳）: ロボットナビゲーションにおけるSLAM(Simultaneous Localization and Mapping)の分野では,環境マッピングが重要な課題である。
この点において、Lidarセンサーは、ポイントクラウドの形式で環境のほぼ正確な3Dマップをリアルタイムで生成することができる。
データはSLAMに関連する情報を抽出するのに適しているが、ポイントクラウドでの何百万ポイントの処理は非常に高価である。
提案手法は,クラウドから意味的にラベル付けされた表面セグメントをリアルタイムに抽出し,直接的ナビゲーションや高レベルなコンテクストシーン再構成を行うための高速アルゴリズムを提案する。
まず、回転するLidarからの1つのスキャンを使用して、オンラインのサブサンプルクラウドポイントのメッシュを生成する。
生成されたメッシュは、表面セグメントの推定に基づいて、これらの点の表面正規計算にさらに使用される。
表面セグメントを表す新しい記述子を提案し,分類器の助けを借りてセグメントの表面クラス(セマンティックラベル)を決定する。
これらのセマンティックサーフェスセグメントは、シーン内のオブジェクトの幾何学的再構成にさらに利用したり、ロボットによる最適な軌道計画に使用できる。
提案手法は,ポイントクラウドセグメンテーション手法の数と技術意味セグメンテーション手法の状態を比較し,その有効性をスピードと精度の観点から強調する。
関連論文リスト
- CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud
Semantic Segmentation [60.0893353960514]
疎アノテーションを用いた弱教師付きポイントクラウドセマンティックセマンティックセグメンテーションの課題について検討する。
本研究では,地域マスキング(RegionMask)戦略とコンテキストマスキングトレーニング(CMT)手法の2つの部分からなるコンテキストポイントクラウドモデリング(CPCM)手法を提案する。
論文 参考訳（メタデータ） (2023-07-19T04:41:18Z) - Semantic Segmentation of Urban Textured Meshes Through Point Sampling [0.0]
本研究では, サンプリング法, 抽出した雲の密度, 選択した特徴量, 訓練期間中に使用する点数など, 異なるパラメータの影響について検討した。
SUMデータセットでは,OAでは4ポイント,mIoUでは18ポイント,最先端のSUMデータセットでは2。
論文 参考訳（メタデータ） (2023-02-21T12:49:31Z) - Reconstructing Surfaces for Sparse Point Clouds with On-Surface Priors [52.25114448281418]
現在の方法では、接地距離や点正規化なしに単一点雲から符号付き距離関数 (Signed Distance Function, SDF) を学習することで、表面を再構築することができる。
そこで本稿では, 表面上の粗い点雲から高精度な表面を復元することを提案する。
本手法は, 接地距離や点正規化を伴わずに, 単一のスパース点雲からSDFを学習することができる。
論文 参考訳（メタデータ） (2022-04-22T09:45:20Z) - GPCO: An Unsupervised Green Point Cloud Odometry Method [64.86292006892093]
軽量な点状クラウド・オドメトリー法を提案し, GPCO法と名付けた。
GPCOは、連続点雲スキャンの特徴と一致することによって物体の動きを予測する教師なし学習法である。
GPCOは、モデルサイズが大幅に小さく、トレーニング時間も少ないのに対して、ディープラーニング手法のベンチマークを精度で上回ることが観察された。
論文 参考訳（メタデータ） (2021-12-08T00:24:03Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - LRGNet: Learnable Region Growing for Class-Agnostic Point Cloud
Segmentation [19.915593390338337]
本研究は,クラス非依存のクラウドセグメンテーションのための学習可能な領域成長手法を提案する。
提案手法は, 物体の形状や大きさを仮定することなく, 単一の深層ニューラルネットワークを用いて任意のクラスを分割することができる。
論文 参考訳（メタデータ） (2021-03-16T15:58:01Z) - Meshing Point Clouds with Predicted Intrinsic-Extrinsic Ratio Guidance [30.863194319818223]
既存のポイントへの接続情報のみを付加することで、インプットポイントクラウドを可能な限り活用することを提案する。
私たちの重要なイノベーションはローカル接続のサロゲートであり、本質的/外生的メトリクスを比較して計算します。
提案手法は, 詳細を保存できるだけでなく, あいまいな構造を扱えるだけでなく, 目に見えないカテゴリに対して強い一般化性を持つことを示す。
論文 参考訳（メタデータ） (2020-07-17T22:36:00Z) - Fast Geometric Surface based Segmentation of Point Cloud from Lidar Data [15.882128188732016]
LIDARは、地図構築に役立つ環境の高速で正確な3Dポイントクラウドマップを提供する。
本稿では,3次元オブジェクトのモデリングにおいて,分割面をリアルタイムで生成する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T10:17:16Z) - MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point
Clouds Segmentation [1.2380933178502298]
マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。
MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
論文 参考訳（メタデータ） (2020-04-05T18:02:07Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z) - Real-Time High-Performance Semantic Image Segmentation of Urban Street
Scenes [98.65457534223539]
都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。
提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
論文 参考訳（メタデータ） (2020-03-11T08:45:53Z)
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。