論文の概要: OpenGF: An Ultra-Large-Scale Ground Filtering Dataset Built Upon Open
ALS Point Clouds Around the World
- arxiv url: http://arxiv.org/abs/2101.09641v1
- Date: Sun, 24 Jan 2021 04:07:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 09:14:00.840698
- Title: OpenGF: An Ultra-Large-Scale Ground Filtering Dataset Built Upon Open
ALS Point Clouds Around the World
- Title（参考訳）: OpenGF: 世界中のオープンALSポイントクラウド上に構築された超大規模地上フィルタデータセット
- Authors: Nannan Qin, Weikai Tan, Lingfei Ma, Dedong Zhang, Jonathan Li
- Abstract要約: OpenGF、最初の超大規模地上フィルタリングデータセットを提示します。
OpenGFには50億以上の細いラベル付きグラウンドと非グラウンドポイントが含まれている。
本研究では,最先端ルールベースアルゴリズムと3次元セマンティクスセグメンテーションネットワークの性能評価を行う。
- 参考スコア（独自算出の注目度）: 22.577705573226257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ground filtering has remained a widely studied but incompletely resolved
bottleneck for decades in the automatic generation of high-precision digital
elevation model, due to the dramatic changes of topography and the complex
structures of objects. The recent breakthrough of supervised deep learning
algorithms in 3D scene understanding brings new solutions for better solving
such problems. However, there are few large-scale and scene-rich public
datasets dedicated to ground extraction, which considerably limits the
development of effective deep-learning-based ground filtering methods. To this
end, we present OpenGF, first Ultra-Large-Scale Ground Filtering dataset
covering over 47 $km^2$ of 9 different typical terrain scenes built upon open
ALS point clouds of 4 different countries around the world. OpenGF contains
more than half a billion finely labeled ground and non-ground points, thousands
of times the number of labeled points than the de facto standard ISPRS
filtertest dataset. We extensively evaluate the performance of state-of-the-art
rule-based algorithms and 3D semantic segmentation networks on our dataset and
provide a comprehensive analysis. The results have confirmed the capability of
OpenGF to train deep learning models effectively. This dataset will be released
at https://github.com/Nathan-UW/OpenGF to promote more advancing research for
ground filtering and large-scale 3D geographic environment understanding.
- Abstract（参考訳）: 地上ろ過は、地形の劇的な変化とオブジェクトの複雑な構造のために、高精度デジタル標高モデルの自動生成において数十年間、広く研究されてきたが、不完全なボトルネックのままです。
最近の3Dシーン理解における教師付きディープラーニングアルゴリズムのブレークスルーは、そのような問題を解決するための新しいソリューションをもたらす。
しかし、地上抽出専用の大規模かつシーンリッチな公開データセットはほとんどなく、これは効果的な深層学習に基づく地上フィルタリング手法の開発を著しく制限している。
この目的のために,世界4カ国のオープンALS点雲上に構築された9つの典型的な地形の47$km^2$以上をカバーする,最初のUltra-Large-Scale Ground FilteringデータセットであるOpenGFを提案する。
OpenGFは、デファクト標準ISPRSフィルタテストデータセットよりも、ラベル付きポイントの数の数千倍、50億以上の細かいラベル付きグラウンドと非グラウンドポイントが含まれています。
我々は,データ集合上の最先端ルールベースアルゴリズムと3次元意味セグメンテーションネットワークの性能を広範囲に評価し,包括的な分析を行う。
その結果、OpenGFがディープラーニングモデルを効果的に訓練できることが確認された。
このデータセットはhttps://github.com/Nathan-UW/OpenGFで公開され、地上フィルタリングと大規模な3D地理環境理解のためのさらなる研究を促進する。
関連論文リスト
- Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - FRACTAL: An Ultra-Large-Scale Aerial Lidar Dataset for 3D Semantic Segmentation of Diverse Landscapes [0.0]
7つのセマンティッククラスのための高品質なラベル付き10万個の高密度点雲からなる超大規模空中Lidarデータセットを提案する。
データセットのデータ収集,アノテーション,キュレーションプロセスについて述べる。
アート3Dポイントクラウド分類モデルを用いて,ベースラインのセマンティックセマンティックセマンティクス結果を提供する。
論文 参考訳（メタデータ） (2024-05-07T19:37:22Z) - Tinto: Multisensor Benchmark for 3D Hyperspectral Point Cloud
Segmentation in the Geosciences [9.899276249773425]
我々は,地質図作成のための深層学習手法の開発と検証を容易にするために設計された,デジタルアウトクロップのベンチマークデータセットであるTintoを提示する。
Tintoは,1)Corta Atalaya(Spain)の実際のデジタルアウトクロップモデル,2)スペクトル特性と地中構造データ,2)原データセットの潜在特徴を用いて地中構造からリアルなスペクトルデータを再構成する合成双生児からなる。
我々はこれらのデータセットを用いて、地質図の自動作成のための異なるディープラーニングアプローチの能力を探索した。
論文 参考訳（メタデータ） (2023-05-17T03:24:08Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳（メタデータ） (2022-11-30T06:02:01Z) - 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) - OpenFWI: Large-Scale Multi-Structural Benchmark Datasets for Seismic
Full Waveform Inversion [16.117689670474142]
フルウェーブフォーム・インバージョン(FWI)は、地震データから高分解能速度マップを再構成するために地球物理学で広く用いられている。
データ駆動型FWI手法の最近の成功は、地球物理学のコミュニティにサービスを提供するためのオープンデータセットの需要が急速に増加した結果である。
大規模マルチ構造化ベンチマークデータセットの集合であるOpenFWIを提案する。
論文 参考訳（メタデータ） (2021-11-04T15:03:40Z) - 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) - 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) - Improving Deep Stereo Network Generalization with Geometric Priors [93.09496073476275]
地上の真実が密集した多様な現実世界のシーンの大規模なデータセットを得ることは困難である。
多くのアルゴリズムは、似たようなシーンや合成データセットの小さな実世界のデータセットに依存している。
本稿では,シーン幾何学の事前知識をエンド・ツー・エンドのステレオネットワークに統合し,ネットワークの一般化を支援することを提案する。
論文 参考訳（メタデータ） (2020-08-25T15:24:02Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z)
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。