論文の概要: Vegetation Stratum Occupancy Prediction from Airborne LiDAR 3D Point
Clouds
- arxiv url: http://arxiv.org/abs/2112.13583v1
- Date: Mon, 27 Dec 2021 09:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 15:55:03.427842
- Title: Vegetation Stratum Occupancy Prediction from Airborne LiDAR 3D Point
Clouds
- Title(参考訳): 航空機搭載LiDAR3次元点雲からの植生成層活動予測
- Authors: Ekaterina Kalinicheva, Loic Landrieu, Cl\'ement Mallet, Nesrine
Chehata
- Abstract要約: 本研究では,空中プラットフォームから取得した3次元点雲から植生成層域の占有度を推定する新しい深層学習手法を提案する。
我々のネットワークは、ピクセルワイドやポイントワイドアノテーションよりも簡単に生成できる円筒状のプロットに集約された値で重畳されている。
本手法は,視覚的および解釈可能な予測を同時に提供しながら,手工芸と深層学習のベースラインを精度で上回る。
- 参考スコア(独自算出の注目度): 5.7047887413125276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new deep learning-based method for estimating the occupancy of
vegetation strata from 3D point clouds captured from an aerial platform. Our
model predicts rasterized occupancy maps for three vegetation strata: lower,
medium, and higher strata. Our training scheme allows our network to only being
supervized with values aggregated over cylindrical plots, which are easier to
produce than pixel-wise or point-wise annotations. Our method outperforms
handcrafted and deep learning baselines in terms of precision while
simultaneously providing visual and interpretable predictions. We provide an
open-source implementation of our method along along a dataset of 199
agricultural plots to train and evaluate occupancy regression algorithms.
- Abstract(参考訳): 本研究では,空中プラットフォームから採取した3次元点雲から植生層を推定する新しい深層学習手法を提案する。
本モデルでは,低地,中地,高地の三植生のラスタ化占有マップを予測した。
我々のトレーニングスキームでは、我々のネットワークは、ピクセルワイドやポイントワイドのアノテーションよりも簡単に生成できる円筒プロットに集約された値でのみ重畳される。
本手法は,手作りのベースラインと深層学習のベースラインを精度で上回り,同時に視覚的かつ解釈可能な予測を提供する。
本手法のオープンソース実装と,199個の農業プロットのデータセットを用いて,居住回帰アルゴリズムの訓練と評価を行う。
関連論文リスト
- NumGrad-Pull: Numerical Gradient Guided Tri-plane Representation for Surface Reconstruction from Point Clouds [41.723434094309184]
無秩序で秩序のない3Dポイントから連続的な表面を再構築することは、コンピュータビジョンとグラフィックスの根本的な課題である。
最近の進歩は、ニューラルサインされた距離関数をトレーニングして、表面上の最も近い点に3D位置クエリをプルすることでこの問題に対処している。
我々は三面構造の表現能力を活用して符号付き距離関数の学習を高速化するNumGrad-Pullを導入する。
論文 参考訳(メタデータ) (2024-11-26T12:54:30Z) - OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳(メタデータ) (2024-09-14T07:44:22Z) - OccNeRF: Advancing 3D Occupancy Prediction in LiDAR-Free Environments [77.0399450848749]
本稿では,OccNeRF法を用いて,3次元監視なしで占有ネットワークを訓練する手法を提案する。
我々は、再構成された占有領域をパラメータ化し、サンプリング戦略を再編成し、カメラの無限知覚範囲に合わせる。
意味的占有予測のために,事前学習した開語彙2Dセグメンテーションモデルの出力をフィルタリングし,プロンプトを洗練するためのいくつかの戦略を設計する。
論文 参考訳(メタデータ) (2023-12-14T18:58:52Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - Joint Prediction of Monocular Depth and Structure using Planar and
Parallax Geometry [4.620624344434533]
教師付き学習深度推定法は、LiDARデータのような高品質な地上構造で訓練すると、優れた性能が得られる。
提案手法は,有望な平面とパララックス幾何学パイプラインの構造情報と深度情報を組み合わせたU-Net教師あり学習ネットワークの構築である。
我々のモデルは細い物体と縁の深さ予測に優れており、構造予測ベースラインと比較して、より頑健に機能する。
論文 参考訳(メタデータ) (2022-07-13T17:04:05Z) - 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) - Predicting Vegetation Stratum Occupancy from Airborne LiDAR Data with
Deep Learning [4.129847064263057]
航空機搭載の3次元LiDAR点雲からの植生の占有度を推定する新しい深層学習手法を提案する。
本モデルでは,下層,中層,高層に対応する3つの植生層に対する占有率分布図を推定した。
論文 参考訳(メタデータ) (2022-01-20T08:30:27Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳(メタデータ) (2021-07-06T05:08:34Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳(メタデータ) (2021-02-19T11:56:44Z) - Machine Learning in LiDAR 3D point clouds [0.0]
本稿では,3次元点雲LiDARデータの分類に関する予備的比較研究を行う。
特に,lidar point cloud内の各点に隣接点に関する情報を付加することで,下流学習アルゴリズムの性能を向上させることができることを示す。
また、主成分分析(PCA)からニューラルネットワークベースの自動エンコーダまで、いくつかの寸法削減戦略を実験し、LiDARポイントクラウドの分類パフォーマンスにどのように影響するかを実証します。
論文 参考訳(メタデータ) (2021-01-22T20:23:23Z)
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。