論文の概要: Real-time ground filtering algorithm of cloud points acquired using Terrestrial Laser Scanner (TLS)

• arxiv url: http://arxiv.org/abs/2111.11481v1
• Date: Mon, 22 Nov 2021 19:18:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 16:05:56.426041
• Title: Real-time ground filtering algorithm of cloud points acquired using Terrestrial Laser Scanner (TLS)
• Title（参考訳）: 地上レーザースキャナ(TLS)を用いた雲点のリアルタイム地上フィルタリングアルゴリズム
• Authors: Nelson Diaz and Omar Gallo and Jhon Caceres and Hernan Porras
• Abstract要約: 点雲に基づく3Dモデリングには、地面を非地上オブジェクトから分離する地上フィルタリングアルゴリズムが必要である。 本研究では,2つの地中フィルタリングアルゴリズムを提案する。 その結果, ボクセル構造に基づく基底フィルタリングアルゴリズムは, 通常のベクトル基底フィルタリングよりも実行時間, 有効性, 効率の点で高速であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 3D modeling based on point clouds requires ground-filtering algorithms that separate ground from non-ground objects. This study presents two ground filtering algorithms. The first one is based on normal vectors. It has two variants depending on the procedure to compute the k-nearest neighbors. The second algorithm is based on transforming the cloud points into a voxel structure. To evaluate them, the two algorithms are compared according to their execution time, effectiveness and efficiency. Results show that the ground filtering algorithm based on the voxel structure is faster in terms of execution time, effectiveness, and efficiency than the normal vector ground filtering.
• Abstract（参考訳）: 点雲に基づく3Dモデリングには、地面を非地上オブジェクトから分離する地上フィルタリングアルゴリズムが必要である。 本研究は2つの基底フィルタリングアルゴリズムを提案する。 1つ目は通常のベクトルに基づいている。 k-ネアレスト近傍を計算する手順によって2つの変種が存在する。 第2のアルゴリズムは、雲点をボクセル構造に変換することに基づいている。 これらを評価するために, 2つのアルゴリズムを実行時間, 有効性, 効率に応じて比較する。 その結果, ボクセル構造に基づく基底フィルタリングアルゴリズムは, 通常のベクトル基底フィルタリングよりも実行時間, 有効性, 効率の点で高速であることがわかった。

関連論文リスト

• A Greedy Hierarchical Approach to Whole-Network Filter-Pruning in CNNs [2.188091591747149]
  全体ネットワークフィルタプルーニングアルゴリズムは、各層から異なるフィルタ分を抽出するので、柔軟性が向上する。 本稿では,全ネットワークフィルタプルーニングにおける2段階階層的手法を提案する。 本稿では,ResNext101のRAM要件を7.6GBから1.5GBに削減し,CIFAR-10の精度を損なうことなくFLOPSの94%削減を実現する。
  論文  参考訳（メタデータ） (2024-08-22T03:59:57Z)
• Learning the Positions in CountSketch [49.57951567374372]
  本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。 本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-11T07:28:35Z)
• Recursive Least Squares Advantage Actor-Critic Algorithms [20.792917267835247]
  2つの新しいRSSベースのアドバンテージアクター批評家アルゴリズム(A2C)を提案する。 RLSSA2C と RLSNA2C は RLS 法を用いて批評家ネットワークとアクターネットワークの隠れ層を訓練する。 実験結果から,両アルゴリズムは,ほとんどのゲームやタスクにおいて,バニラA2Cよりもサンプリング効率がよいことがわかった。
  論文  参考訳（メタデータ） (2022-01-15T20:00:26Z)
• Reverse image filtering using total derivative approximation and accelerated gradient descent [82.93345261434943]
  線形あるいは非線形な画像フィルタの効果を逆転する新たな問題に対処する。 この仮定では、フィルタのアルゴリズムは未知であり、フィルタはブラックボックスとして利用できる。 この逆問題を、局所的なパッチベースのコスト関数の最小化として定式化し、全導関数を用いて勾配勾配の勾配を近似し、問題を解く。
  論文  参考訳（メタデータ） (2021-12-08T05:16:11Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Dilated filters for edge detection algorithms [0.0]
  拡張畳み込みは機械学習に素晴らしい結果をもたらす。 ここでは,エッジ検出アルゴリズムで使用される標準フィルタの拡張について論じる。
  論文  参考訳（メタデータ） (2021-06-14T12:52:17Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• NOMA in UAV-aided cellular offloading: A machine learning approach [59.32570888309133]
  複数の無人航空機(UAV)によるセルローディングのための新しい枠組みの提案 非直交多重アクセス(NOMA)技術は、無線ネットワークのスペクトル効率をさらに向上するために、各UAVに採用されている。 相互深いQ-network (MDQN) アルゴリズムは,UAVの最適3次元軌道と電力配分を共同で決定するために提案される。
  論文  参考訳（メタデータ） (2020-10-18T17:38:48Z)
• Minimal Filtering Algorithms for Convolutional Neural Networks [82.24592140096622]
  我々は,M=3,5,7,9,11の基本的なフィルタリング操作を実装するための完全並列ハードウェア指向アルゴリズムを開発した。 各ケースにおける提案アルゴリズムの完全な並列ハードウェア実装は、組込み乗算器の数を約30%削減する。
  論文  参考訳（メタデータ） (2020-04-12T13:18:25Z)

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。