論文の概要: A volumetric change detection framework using UAV oblique photogrammetry - A case study of ultra-high-resolution monitoring of progressive building collapse

• arxiv url: http://arxiv.org/abs/2108.02800v1
• Date: Thu, 5 Aug 2021 18:20:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:36:38.462092
• Title: A volumetric change detection framework using UAV oblique photogrammetry - A case study of ultra-high-resolution monitoring of progressive building collapse
• Title（参考訳）: UAV斜め光度計を用いた体積変化検出フレームワーク -進行建物崩壊の超高分解能モニタリングの事例-
• Authors: Ningli Xu, Debao Huang, Shuang Song, Xiao Ling, Chris Strasbaugh, Alper Yilmaz, Halil Sezen, Rongjun Qin
• Abstract要約: 本稿では,無人航空機による解体イベント中の建物の精密な3次元変化検出と監視を行うケーススタディを提案する。 分解の異なる段階で発生する3次元点雲で, 多時間斜め撮影画像が収集される。 ポーズ推定,再構成,粗大な3次元密度変化解析のための多時間UAV画像を統合する階層的変化検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.001160460535953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a case study that performs an unmanned aerial vehicle (UAV) based fine-scale 3D change detection and monitoring of progressive collapse performance of a building during a demolition event. Multi-temporal oblique photogrammetry images are collected with 3D point clouds generated at different stages of the demolition. The geometric accuracy of the generated point clouds has been evaluated against both airborne and terrestrial LiDAR point clouds, achieving an average distance of 12 cm and 16 cm for roof and facade respectively. We propose a hierarchical volumetric change detection framework that unifies multi-temporal UAV images for pose estimation (free of ground control points), reconstruction, and a coarse-to-fine 3D density change analysis. This work has provided a solution capable of addressing change detection on full 3D time-series datasets where dramatic scene content changes are presented progressively. Our change detection results on the building demolition event have been evaluated against the manually marked ground-truth changes and have achieved an F-1 score varying from 0.78 to 0.92, with consistently high precision (0.92 - 0.99). Volumetric changes through the demolition progress are derived from change detection and have shown to favorably reflect the qualitative and quantitative building demolition progression.
• Abstract（参考訳）: 本稿では, 解体時の建物の進行崩壊挙動を, 小型3次元形状変化検出および監視により, 無人航空機 (uav) を運用するケーススタディについて述べる。 分解の異なる段階で発生する3次元点雲で, 多時間斜め撮影画像が収集される。 大気中のLiDAR点雲と地上のLiDAR点雲の双方に対して発生点雲の幾何的精度を評価し,屋根とファサードの平均距離を12cm,16cmとした。 提案する階層的な体積変化検出フレームワークは,ポーズ推定(地上制御点のない),再構成,粗大な3次元密度変化解析のための多時間UAV画像を統合する。 この研究は、劇的なシーン内容の変更が徐々に提示されるフル3D時系列データセットで変更検出に対処できるソリューションを提供する。 建物解体イベントにおける変化検出結果は,手動による地中構造変化に対して評価され,F-1スコアは0.78から0.92に変化し,精度は一貫して0.92から0.99に向上した。 解体進展による体積変化は変化検出から導出され、質的かつ定量的な建物の解体進展を反映していることが示されている。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Research on self-cross transformer model of point cloud change detecter [2.3838507844983248]
  3次元点雲における変化検出の研究において、研究者は3次元点雲に関する様々な研究手法を公表した。 深層学習はリモートセンシング手法で用いられるが、3次元点雲の変化検出では2次元パッチに変換される。 本稿では,3次元点雲変化検出のためのネットワークを構築し,新しいモジュールCross Transformerを提案する。
  論文  参考訳（メタデータ） (2023-09-14T05:54:54Z)
• Irregular Change Detection in Sparse Bi-Temporal Point Clouds using Learned Place Recognition Descriptors and Point-to-Voxel Comparison [0.0]
  本稿では3次元点雲における変化検出のための革新的なアプローチを提案する。 深層学習位置認識記述子とボクセル対ポイント比較に基づく不規則物体抽出を用いる。 提案手法は実世界の実地実験で評価された。
  論文  参考訳（メタデータ） (2023-06-27T12:22:25Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)
• On the Robustness of 3D Object Detectors [9.467525852900007]
  3Dシーンには様々なバリエーションがあり、センサーの不正確さや前処理時の情報損失の傾向があります。 この研究は、一般的なポイントベースの3Dオブジェクト検出器をいくつかのデータ破損に対して分析し、ベンチマークすることを目的としている。
  論文  参考訳（メタデータ） (2022-07-20T21:47:15Z)
• Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
  我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。 また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。 DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
  論文  参考訳（メタデータ） (2022-05-23T23:05:07Z)
• Building Change Detection using Multi-Temporal Airborne LiDAR Data [0.0]
  大気中の光検出・測光(LiDAR)から得られる3次元構造情報は、都市の変化を検出するのに非常に効果的である。 しかし、空中LiDAR(ALS)から得られる3Dポイントの雲は、膨大な量の無秩序かつ不規則にスパースな情報を持っている。 本研究では,3次元点雲をより小さな表現に還元する自動手法を提案する。
  論文  参考訳（メタデータ） (2022-04-26T18:43:29Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• City-scale Scene Change Detection using Point Clouds [71.73273007900717]
  2つの異なる時間にカメラを設置して撮影した画像を用いて都市の構造変化を検出する手法を提案する。 変化検出のための2点雲の直接比較は、不正確な位置情報のため理想的ではない。 この問題を回避するために,ポイントクラウド上での深層学習に基づく非厳密な登録を提案する。 提案手法は,視点や照明の違いがあっても,シーン変化を効果的に検出できることを示す。
  論文  参考訳（メタデータ） (2021-03-26T08:04:13Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。