論文の概要: Learning Indoor Layouts from Simple Point-Clouds
- arxiv url: http://arxiv.org/abs/2108.03378v1
- Date: Sat, 7 Aug 2021 06:47:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-12 02:56:40.467911
- Title: Learning Indoor Layouts from Simple Point-Clouds
- Title(参考訳): シンプルなポイントクラウドから屋内レイアウトを学ぶ
- Authors: Md. Tareq Mahmood and Mohammed Eunus Ali
- Abstract要約: そこで我々は,GoogleのTangoのようなスマートフォンで得られた点雲から部屋を認識するフロアプランを自動生成するシステムを提案する。
特に、ポインタネットワークを用いたリカレントニューラルネットワークと、Mask-RCNNを用いた畳み込みニューラルネットワークに基づくアプローチの2つのアプローチを提案する。
- 参考スコア(独自算出の注目度): 0.8376091455761261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing a layout of indoor spaces has been a crucial part of growing
indoor location based services. One of the key challenges in the proliferation
of indoor location based services is the unavailability of indoor spatial maps
due to the complex nature of capturing an indoor space model (e.g., floor plan)
of an existing building. In this paper, we propose a system to automatically
generate floor plans that can recognize rooms from the point-clouds obtained
through smartphones like Google's Tango. In particular, we propose two
approaches - a Recurrent Neural Network based approach using Pointer Network
and a Convolutional Neural Network based approach using Mask-RCNN to identify
rooms (and thereby floor plans) from point-clouds. Experimental results on
different datasets demonstrate approximately 0.80-0.90 Intersection-over-Union
scores, which show that our models can effectively identify the rooms and
regenerate the shapes of the rooms in heterogeneous environment.
- Abstract(参考訳): 屋内空間のレイアウトの再構築は、屋内位置に基づくサービスの拡大に不可欠である。
屋内位置に基づくサービスの普及における重要な課題の1つは、既存の建物の屋内空間モデル(例えば、フロアプラン)を捉える複雑な性質のため、屋内空間マップが利用できないことである。
本稿では,GoogleのTangoのようなスマートフォンで得られた点雲から部屋を認識できるフロアプランの自動生成システムを提案する。
特に,ポインタネットワークを用いたリカレントニューラルネットワークアプローチと,Mask-RCNNを用いた畳み込みニューラルネットワークアプローチの2つのアプローチを提案する。
実験結果から, 異種環境下での部屋の形状を効果的に同定し, 室内形状を再現できることが示唆された。
関連論文リスト
- IndoorGNN: A Graph Neural Network based approach for Indoor Localization
using WiFi RSSI [3.495640663645263]
我々は,グラフニューラルネットワーク(GNN)に基づくアルゴリズムを用いて,特定の位置を特定の領域に分類する手法「屋内GNN」を開発した。
この分類を行うMLアルゴリズムのほとんどは、多数のラベル付きデータポイントを必要とする。
実験の結果,IndoorGNNは現状の既存手法やGNNベースの手法と比較して,位置予測精度が向上していることがわかった。
論文 参考訳(メタデータ) (2023-12-11T17:12:51Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳(メタデータ) (2023-07-27T03:42:12Z) - Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。
従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。
本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-20T07:10:14Z) - Hierarchical Multi-Building And Multi-Floor Indoor Localization Based On
Recurrent Neural Networks [2.0305676256390934]
Wi-Fiフィンガープリントを用いたリカレントニューラルネットワーク(RNN)に基づく階層型マルチビルディングとマルチフロア屋内ローカライゼーションを提案する。
提案手法は建物と床をそれぞれ100%と95.24%の精度で推定し、三次元位置決め誤差は8.62mである。
論文 参考訳(メタデータ) (2021-12-23T11:56:31Z) - A singular Riemannian geometry approach to Deep Neural Networks II.
Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。
我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文 参考訳(メタデータ) (2021-12-17T11:47:45Z) - ODFNet: Using orientation distribution functions to characterize 3D
point clouds [0.0]
点まわりの点配向分布を利用して、点群の表現力のある局所近傍表現を得ます。
新しい ODFNet モデルは ModelNet40 と ScanObjectNN データセットのオブジェクト分類における最先端の精度を実現する。
論文 参考訳(メタデータ) (2020-12-08T19:54:20Z) - Neural-Pull: Learning Signed Distance Functions from Point Clouds by
Learning to Pull Space onto Surfaces [68.12457459590921]
3次元点雲から連続曲面を再構成することは、3次元幾何処理の基本的な操作である。
textitNeural-Pullは、シンプルで高品質なSDFを実現する新しいアプローチです。
論文 参考訳(メタデータ) (2020-11-26T23:18:10Z) - SoftPoolNet: Shape Descriptor for Point Cloud Completion and
Classification [93.54286830844134]
本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。
デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。
我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
論文 参考訳(メタデータ) (2020-08-17T14:32:35Z) - Cascaded Non-local Neural Network for Point Cloud Semantic Segmentation [37.33261773707134]
提案するネットワークは、正確なセグメンテーションのために、ポイントクラウドの長距離依存関係を構築することを目的としている。
我々は,近隣レベル,スーパーポイントレベル,グローバルレベルの非ローカルブロックからなる新しい非ローカルモジュールを開発する。
提案手法は,最先端性能を実現し,時間消費とメモリ占有を効果的に削減する。
論文 参考訳(メタデータ) (2020-07-30T14:34:43Z) - Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。
入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。
ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文 参考訳(メタデータ) (2020-07-04T13:57:43Z) - MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point
Clouds Segmentation [1.2380933178502298]
マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。
MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
論文 参考訳(メタデータ) (2020-04-05T18:02:07Z)
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。