Fugu-MT 論文翻訳(概要): Predicting Vegetation Stratum Occupancy from Airborne LiDAR Data with Deep Learning

論文の概要: Predicting Vegetation Stratum Occupancy from Airborne LiDAR Data with Deep Learning

arxiv url: http://arxiv.org/abs/2201.08051v1
Date: Thu, 20 Jan 2022 08:30:27 GMT
ステータス: 処理完了
システム内更新日: 2022-01-21 14:23:34.988703
Title: Predicting Vegetation Stratum Occupancy from Airborne LiDAR Data with Deep Learning
Title（参考訳）: 深層学習による航空機LiDARデータによる植生分布の予測
Authors: Ekaterina Kalinicheva, Loic Landrieu, Cl\'ement Mallet, Nesrine Chehata
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.129847064263057
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 airborne 3D LiDAR point clouds. Our model predicts rasterized occupancy maps for three vegetation strata corresponding to lower, medium, and higher cover. Our weakly-supervised training scheme allows our network to only be supervised with vegetation occupancy values aggregated over cylindrical plots containing thousands of points. Such ground truth is easier to produce than pixel-wise or point-wise annotations. Our method outperforms handcrafted and deep learning baselines in terms of precision by up to 30%, while simultaneously providing visual and interpretable predictions. We provide an open-source implementation along with a dataset of 199 agricultural plots to train and evaluate weakly supervised occupancy regression algorithms.
Abstract（参考訳）: 本研究では,航空機搭載3次元LiDAR点雲からの植生層占有率を推定する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つの植生層についてラスタ化占有マップを予測した。私たちのネットワークは、何千ものポイントを含む円筒状のプロットに集約された植生占有値しか管理できない。このような基礎的な真理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生成しやすい。本手法は,最大30%の精度で手作り・深層学習ベースラインを上回り,同時に視覚的・解釈可能な予測を提供する。 199の農業用プロットのデータセットと合わせて,弱い教師付き占有回帰アルゴリズムをトレーニングし,評価するオープンソース実装を提供する。

関連論文リスト

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)
Self-Supervised Pre-Training Boosts Semantic Scene Segmentation on LiDAR Data [0.0]
本稿では,Barlow Twins を用いた自己教師型エンコーダを訓練し,セマンティックシーンセグメンテーションのタスクにおいて,事前学習ネットワークとして使用することを提案する。実験の結果,教師なし事前学習は教師付きタスクの微調整によって性能が向上することが示された。
論文参考訳（メタデータ） (2023-09-05T11:29:30Z)
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)
Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-23T09:35:03Z)
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)
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。提案手法による事前学習では, 25%の絶対mIoUが得られた。学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文参考訳（メタデータ） (2022-03-11T16:14:14Z)
Vegetation Stratum Occupancy Prediction from Airborne LiDAR 3D Point Clouds [5.7047887413125276]
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。
論文参考訳（メタデータ） (2021-12-27T09:33:08Z)
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。