論文の概要: Intensity Harmonization for Airborne LiDAR

• arxiv url: http://arxiv.org/abs/2105.01793v1
• Date: Tue, 4 May 2021 23:26:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 22:45:37.036640
• Title: Intensity Harmonization for Airborne LiDAR
• Title（参考訳）: 航空機LiDARの高調波化
• Authors: David Jones, Nathan Jacobs
• Abstract要約: 主な課題は、複数のLiDARスキャン間の一貫性を維持することだ。 スキャン間の強度の調和は高価で時間がかかります。 本稿では,深層ニューラルネットワークに基づく点雲調和手法を提案する。
• 参考スコア（独自算出の注目度）: 21.647301294759618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing a point cloud for a large geographic region, such as a state or country, can require multiple years of effort. Often several vendors will be used to acquire LiDAR data, and a single region may be captured by multiple LiDAR scans. A key challenge is maintaining consistency between these scans, which includes point density, number of returns, and intensity. Intensity in particular can be very different between scans, even in areas that are overlapping. Harmonizing the intensity between scans to remove these discrepancies is expensive and time consuming. In this paper, we propose a novel method for point cloud harmonization based on deep neural networks. We evaluate our method quantitatively and qualitatively using a high quality real world LiDAR dataset. We compare our method to several baselines, including standard interpolation methods as well as histogram matching. We show that our method performs as well as the best baseline in areas with similar intensity distributions, and outperforms all baselines in areas with different intensity distributions. Source code is available at https://github.com/mvrl/lidar-harmonization .
• Abstract（参考訳）: 州や国のような大きな地理的地域のためのポイントクラウドを構築するには、数年の努力が必要となる。 多くの場合、複数のベンダーがLiDARデータを取得するために使用され、単一のリージョンは複数のLiDARスキャンによってキャプチャされる。 重要な課題は、点密度、リターン数、強度を含むスキャン間の一貫性を維持することである。 特に強度は、重複している領域でもスキャンで大きく異なる可能性がある。 これらの不一致を取り除くためのスキャン間の強度の調和は高価で時間がかかります。 本稿では,深層ニューラルネットワークに基づく点雲調和のための新しい手法を提案する。 高品質な実世界のLiDARデータセットを用いて定量的に定性的に評価する。 本手法を標準補間法やヒストグラムマッチングなど,いくつかのベースラインと比較する。 同様の強度分布を持つ領域において,本手法は最良ベースラインと同等の性能を示し,強度分布の異なる領域において,すべてのベースラインを上回った。 ソースコードはhttps://github.com/mvrl/lidar-harmonizationで入手できる。

関連論文リスト

• GSPR: Multimodal Place Recognition Using 3D Gaussian Splatting for Autonomous Driving [9.023864430027333]
  マルチモーダル位置認識は ユニセンサーシステムの弱点を克服する能力によって 注目を集めています 本稿では,GSPRと呼ばれる3次元ガウス型マルチモーダル位置認識ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-01T00:43:45Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Implicit neural representation for change detection [15.741202788959075]
  点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。 Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。 本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
  論文  参考訳（メタデータ） (2023-07-28T09:26:00Z)
• Online Pole Segmentation on Range Images for Long-term LiDAR Localization in Urban Environments [32.34672033386747]
  オンラインで実行される幾何学的特徴に基づく,新しい,正確かつ高速な極抽出手法を提案する。 本手法は3次元LiDARスキャンから生成した範囲画像を直接計算する。 抽出した極を擬似ラベルとして、オンライン範囲画像に基づく極分割のためのディープニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2022-08-15T17:58:08Z)
• Fine-tuning deep learning models for stereo matching using results from semi-global matching [1.0152838128195467]
  ディープラーニング (DL) 法は, 高い精度が報告されているステレオ画像マッチングタスクに対して広く研究されている。 衛星画像は、場所、内容、土地被覆、空間パターンにばらつきのある大規模領域をカバーしており、その性能に影響を及ぼすことを期待している。 本研究では,対象ステレオデータ上でのSGM(Census-based semi-global-matching)から得られる不均一性マップを利用した微調整手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T15:38:10Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Resource Allocation in Multi-armed Bandit Exploration: Overcoming Sublinear Scaling with Adaptive Parallelism [107.48538091418412]
  腕の引っ張りに様々な量の資源を割り当てることができる分割可能な資源にアクセス可能な場合,マルチアームの帯状地における探索について検討する。 特に、分散コンピューティングリソースの割り当てに重点を置いており、プル毎により多くのリソースを割り当てることで、結果をより早く得ることができます。
  論文  参考訳（メタデータ） (2020-10-31T18:19:29Z)
• JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
  我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。 本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:59:35Z)

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。