論文の概要: From a Point Cloud to a Simulation Model: Bayesian Segmentation and Entropy based Uncertainty Estimation for 3D Modelling

• arxiv url: http://arxiv.org/abs/2102.02488v1
• Date: Thu, 4 Feb 2021 08:59:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 16:42:56.194124
• Title: From a Point Cloud to a Simulation Model: Bayesian Segmentation and Entropy based Uncertainty Estimation for 3D Modelling
• Title（参考訳）: 点雲からシミュレーションモデルへ:3次元モデリングのためのベイズ分節とエントロピーに基づく不確かさ推定
• Authors: Christina Petschnigg, Markus Spitzner, Lucas Weitzendorf and J\"urgen Pilz
• Abstract要約: ブラウンフィールド計画の場合、既存のデータは時代遅れで、特に2Dで計画されていた古い植物には不完全であることが多い。 現在の環境モデルは、既存のデータに基づいて直接生成することはできないし、そのような工場モデルを構築する方法に関する全体論的なアプローチはほとんど存在しない。 本研究では,大規模屋内環境のデジタル化から始まり,静的環境やシミュレーションモデルの生成で終わる方法論的ワークフローを詳述する。
• 参考スコア（独自算出の注目度）: 0.6882042556551611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The 3D modelling of indoor environments and the generation of process simulations play an important role in factory and assembly planning. In brownfield planning cases existing data are often outdated and incomplete especially for older plants, which were mostly planned in 2D. Thus, current environment models cannot be generated directly on the basis of existing data and a holistic approach on how to build such a factory model in a highly automated fashion is mostly non-existent. Major steps in generating an environment model in a production plant include data collection and pre-processing, object identification as well as pose estimation. In this work, we elaborate a methodical workflow, which starts with the digitalization of large-scale indoor environments and ends with the generation of a static environment or simulation model. The object identification step is realized using a Bayesian neural network capable of point cloud segmentation. We elaborate how the information on network uncertainty generated by a Bayesian segmentation framework can be used in order to build up a more accurate environment model. The steps of data collection and point cloud segmentation as well as the resulting model accuracy are evaluated on a real-world data set collected at the assembly line of a large-scale automotive production plant. The segmentation network is further evaluated on the publicly available Stanford Large-Scale 3D Indoor Spaces data set. The Bayesian segmentation network clearly surpasses the performance of the frequentist baseline and allows us to increase the accuracy of the model placement in a simulation scene considerably.
• Abstract（参考訳）: 室内環境の3Dモデリングとプロセスシミュレーションの生成は、工場および組立計画において重要な役割を果たします。 ブラウンフィールド計画では、既存のデータはしばしば時代遅れで、特に2dで計画された古い植物では不完全である。 したがって、現在の環境モデルは既存のデータに基づいて直接生成することができず、そのような工場モデルを高度に自動化した方法で構築する方法に関する全体的なアプローチはほとんど存在しない。 生産プラントで環境モデルを生成する主なステップは、データ収集と事前処理、オブジェクト識別、およびポーズ推定である。 本稿では,大規模室内環境のディジタル化から始まり,静的環境やシミュレーションモデルの生成に至る,方法論的ワークフローを詳述する。 オブジェクト識別ステップは、ポイントクラウドセグメンテーションが可能なベイズニューラルネットワークを使用して実現される。 ベイジアンセグメンテーションフレームワークによって生成されたネットワークの不確実性に関する情報を用いて、より正確な環境モデルを構築する方法について詳しく述べる。 大規模自動車生産プラントの組立ラインで収集された実世界のデータセットにおいて、データ収集とポイントクラウドセグメンテーションのステップと結果のモデル精度を評価する。 セグメンテーションネットワークは、Stanford Large-Scale 3D Indoor Spacesデータセットでさらに評価されている。 ベイジアンセグメンテーションネットワークは、頻繁なベースラインの性能を明らかに上回り、シミュレーションシーンにおけるモデル配置の精度を大幅に向上させることができる。

関連論文リスト

• HaDR: Applying Domain Randomization for Generating Synthetic Multimodal Dataset for Hand Instance Segmentation in Cluttered Industrial Environments [0.0]
  本研究では、ドメインランダム化を用いて、マルチモーダルインスタンスセグメンテーションモデルのトレーニングのための合成RGB-Dデータセットを生成する。 提案手法により,既存の最先端データセットでトレーニングしたモデルよりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-04-12T13:02:08Z)
• DSMNet: Deep High-precision 3D Surface Modeling from Sparse Point Cloud Frames [12.531880335603145]
  既存のポイントクラウドモデリングデータセットは、ポイントクラウドモデリング効果自体よりも、ポーズまたは軌道精度によるモデリング精度を表現する。 スパースポイントクラウドフレームを用いた高精度3次元表面モデリングのための新しい学習ベースジョイントフレームワークDSMNetを提案する。
  論文  参考訳（メタデータ） (2023-04-09T09:23:06Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds [69.64240235315864]
  本稿では,本課題に対して,合成-実領域一般化設定を提案する。 合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。 CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
  論文  参考訳（メタデータ） (2022-12-09T05:07:43Z)
• Scalable Modular Synthetic Data Generation for Advancing Aerial Autonomy [2.9005223064604078]
  航空自律化を進める上での大きな障壁は、機械学習モデルをトレーニングするための大規模な航空データセット収集である。 本研究では,環境の基底マップ上の資産のタイプ非依存分布空間を生成する適応層状領域ランダム化手法を提案する。 我々の研究は、現実の状況に適応できるトレーニングモデルのための強化されたベンチマークデータセットの生成に寄与します。
  論文  参考訳（メタデータ） (2022-11-10T04:37:41Z)
• Autoregressive Uncertainty Modeling for 3D Bounding Box Prediction [63.3021778885906]
  3Dバウンディングボックスは、多くのコンピュータビジョンアプリケーションで広く使われている中間表現である。 本稿では,自己回帰モデルを利用して高い信頼度予測と意味のある不確実性対策を行う手法を提案する。 我々はシミュレーションデータセットであるCOB-3Dをリリースし、現実世界のロボティクスアプリケーションで発生する新しいタイプのあいまいさを強調します。
  論文  参考訳（メタデータ） (2022-10-13T23:57:40Z)
• Unsupervised Learning of 3D Object Categories from Videos in the Wild [75.09720013151247]
  オブジェクトインスタンスの大規模なコレクションの複数のビューからモデルを学ぶことに重点を置いています。 再構成を大幅に改善するワープコンディショニングレイ埋め込み(WCR)と呼ばれる新しいニューラルネットワーク設計を提案する。 本評価は,既存のベンチマークを用いた複数の深部単眼再構成ベースラインに対する性能改善を示す。
  論文  参考訳（メタデータ） (2021-03-30T17:57:01Z)
• Uncertainty Estimation in Deep Neural Networks for Point Cloud Segmentation in Factory Planning [0.9137554315375922]
  点群分割のための完全ベイズ型および近似ベイズ型ニューラルネットワークを提案する。 これらのネットワークにおける不確実性を推定する方法の違いが生の3次元点雲のセグメンテーション結果に与える影響を分析する。 本研究で提案する手法は,より正確なセグメンテーション結果をもたらし,不確実性情報の導入は,特に安全上重要な応用に適用できる。
  論文  参考訳（メタデータ） (2020-12-13T11:18:52Z)
• 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)
• InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic Information Modeling [65.47126868838836]
  動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。 粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。 大規模なnuScenes 3D検出ベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-07-16T18:27:08Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)

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。