論文の概要: H3D: Benchmark on Semantic Segmentation of High-Resolution 3D Point
Clouds and textured Meshes from UAV LiDAR and Multi-View-Stereo
- arxiv url: http://arxiv.org/abs/2102.05346v1
- Date: Wed, 10 Feb 2021 09:33:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-11 14:35:42.304190
- Title: H3D: Benchmark on Semantic Segmentation of High-Resolution 3D Point
Clouds and textured Meshes from UAV LiDAR and Multi-View-Stereo
- Title（参考訳）: H3D:UAV LiDARとMulti-View-Stereoの高分解能3D点雲とテクスチャメッシュのセマンティックセグメンテーションに関するベンチマーク
- Authors: Michael K\"olle, Dominik Laupheimer, Stefan Schmohl, Norbert Haala,
Franz Rottensteiner, Jan Dirk Wegner, Hugo Ledoux
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.263987603222371
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated semantic segmentation and object detection are of great importance
in the domain of geospatial data analysis. However, supervised Machine Learning
systems such as Convolutional Neural Networks require large corpora of
annotated training data. Especially in the geospatial domain, such datasets are
quite scarce. Within this paper, we aim to alleviate this issue by introducing
a new annotated 3D dataset which is unique in three ways: i) The dataset
consists of both an UAV Laserscanning point cloud and a derived 3D textured
mesh. ii) The point cloud incorporates a mean point density of about 800
pts/sqm and the oblique imagery used for texturing the 3D mesh realizes a
Ground Sampling Distance of about 2-3 cm. This enables detection of
fine-grained structures and represents the state of the art in UAV-based
mapping. iii) Both data modalities will be published for a total of three
epochs allowing applications such as change detection. The dataset depicts the
village of Hessigheim (Germany), henceforth referred to as H3D. It is designed
for promoting research in the field of 3D data analysis on one hand and to
evaluate and rank existing and emerging approaches for semantic segmentation of
both data modalities on the other hand. Ultimatively, H3D is supposed to become
a new benchmark dataset in company with the well-established ISPRS Vaihingen 3D
Semantic Labeling Challenge benchmark (V3D). The dataset can be retrieved from
https://ifpwww.ifp.uni-stuttgart.de/benchmark/hessigheim/default.aspx.
- Abstract（参考訳）: 自動セマンティックセグメンテーションとオブジェクト検出は地理空間データ分析の領域において非常に重要である。
しかし、畳み込みニューラルネットワークのような教師付き機械学習システムは、大量の注釈付きトレーニングデータを必要とする。
特に地理空間領域では、このようなデータセットは極めて少ない。
本論文では,UAVレーザー走査点雲と導出した3Dテクスチャメッシュの両方から構成される,3つの方法でユニークなアノテーション付き3Dデータセットを導入することにより,この問題を軽減することを目的としている。
二 点雲は、平均点密度を約800pts/sqmとし、3dメッシュのテキスト作成に使用する斜め画像は、約2〜3cmの接地サンプリング距離を実現する。
これにより、きめ細かい構造の検出が可能となり、uavベースのマッピングにおける技術状態を表す。
iii) 両方のデータモダリティは、変更検出などのアプリケーションを可能にする3つのエポックにわたって公表される。
このデータセットは、H3Dと呼ばれるヘッシグハイム(ドイツ)の村を表しています。
一方、3Dデータ解析の分野での研究を推進し、その一方で、両方のデータモダリティのセマンティックセグメンテーションのための既存および新興アプローチを評価し、ランク付けするように設計されています。
H3Dは、確立されたISPRS Vaihingen 3D Semantic Labeling Challengeベンチマーク(V3D)と共に、新たなベンチマークデータセットになる予定である。
データセットはhttps://ifpwww.uni-stuttgart.de/benchmark/hessigheim/default.aspxから取得できる。
関連論文リスト
- Occ3D: A Large-Scale 3D Occupancy Prediction Benchmark for Autonomous
Driving [34.368848580725576]
我々は,任意のシーンに対して,濃密で可視性に配慮したラベルを生成するラベル生成パイプラインを開発した。
このパイプラインは、ボクセルの密度化、推論、画像誘導ボクセル精製の3段階からなる。
我々は、Occ3Dベンチマークにおいて優れた性能を示すCTF-Occネットワークと呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2023-04-27T17:40:08Z) - LiDAR-CS Dataset: LiDAR Point Cloud Dataset with Cross-Sensors for 3D
Object Detection [36.77084564823707]
ディープラーニングの手法は注釈付きデータに大きく依存しており、ドメインの一般化の問題に直面することが多い。
LiDAR-CSデータセットは、リアルタイムトラフィックにおける3Dオブジェクト検出の領域におけるセンサ関連ギャップに対処する最初のデータセットである。
論文 参考訳（メタデータ） (2023-01-29T19:10:35Z) - CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。
提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。
不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
論文 参考訳（メタデータ） (2022-10-09T13:38:48Z) - Structure Aware and Class Balanced 3D Object Detection on nuScenes
Dataset [0.0]
NuTonomyのnuScenesデータセットは、KITTIのような一般的なデータセットを大きく拡張している。
このモデルの局所化精度は、ダウンスケールされた特徴写像における空間情報の損失に影響される。
本稿では,3次元点雲の構造情報をフル活用した補助ネットワークを設計することで,CBGSモデルの性能を向上させることを提案する。
論文 参考訳（メタデータ） (2022-05-25T06:18:49Z) - 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) - Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based
Perception [122.53774221136193]
運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。
自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。
本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-12T06:25:11Z) - ST3D: Self-training for Unsupervised Domain Adaptation on 3D
ObjectDetection [78.71826145162092]
点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。
当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
論文 参考訳（メタデータ） (2021-03-09T10:51:24Z) - Exploring Deep 3D Spatial Encodings for Large-Scale 3D Scene
Understanding [19.134536179555102]
生の3次元点雲の空間的特徴を非方向性グラフモデルに符号化することで,CNNに基づくアプローチの限界を克服する代替手法を提案する。
提案手法は、訓練時間とモデル安定性を改善して、最先端の精度で達成し、さらなる研究の可能性を示す。
論文 参考訳（メタデータ） (2020-11-29T12:56:19Z) - Improving Point Cloud Semantic Segmentation by Learning 3D Object
Detection [102.62963605429508]
ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。
現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。
Aware 3D Semantic Detection (DASS) フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-22T14:17:40Z) - 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。