論文の概要: Synthetic Point Cloud Generation for Class Segmentation Applications

• arxiv url: http://arxiv.org/abs/2205.03738v1
• Date: Sat, 7 May 2022 23:21:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 15:51:03.039778
• Title: Synthetic Point Cloud Generation for Class Segmentation Applications
• Title（参考訳）: クラスセグメンテーションアプリケーションのための合成ポイントクラウド生成
• Authors: Maria Gonzalez Stefanelli, Avi Rajesh Jain, Sandeep Kamal Jalui and Dr. Eva Agapaki
• Abstract要約: 産業施設の維持は、インフラの劣化を特定するのに必要な煩雑なプロセスのため、危険が増している。 デジタルツインは、インフラの継続的なデジタル表現を監視することによって、メンテナンスを改善する可能性がある。 しかし、既存の幾何学を地図化するのに要する時間は、それらの使用を禁止している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Maintenance of industrial facilities is a growing hazard due to the cumbersome process needed to identify infrastructure degradation. Digital Twins have the potential to improve maintenance by monitoring the continuous digital representation of infrastructure. However, the time needed to map the existing geometry makes their use prohibitive. We previously developed class segmentation algorithms to automate digital twinning, however a vast amount of annotated point clouds is needed. Currently, synthetic data generation for automated segmentation is non-existent. We used Helios++ to automatically segment point clouds from 3D models. Our research has the potential to pave the ground for efficient industrial class segmentation.
• Abstract（参考訳）: 産業施設の維持は、インフラの劣化を特定するのに必要な煩雑なプロセスのため、危険が増している。 デジタル双子は、インフラストラクチャの継続的なデジタル表現を監視することによって、メンテナンスを改善する可能性を秘めている。 しかし、既存の幾何学をマッピングするのに必要な時間は、それらの使用を禁止する。 従来,デジタルツインニングを自動化するクラスセグメンテーションアルゴリズムを開発したが,大量の注釈付点雲が必要であった。 現在、自動セグメンテーションのための合成データ生成は存在しない。 helios++を使って3dモデルからクラウドを自動的に分割しました。 我々の研究は、効率的な工業階級区分の土台を埋める可能性がある。

関連論文リスト

• Deep Learning-based 3D Point Cloud Classification: A Systematic Survey and Outlook [12.014972829130764]
  本稿では,ポイントクラウドの獲得,特徴,課題を紹介する。 我々は3Dデータ表現、ストレージフォーマット、およびポイントクラウド分類のための一般的に使用されるデータセットについてレビューする。
  論文  参考訳（メタデータ） (2023-11-05T09:28:43Z)
• Research on Key Technologies of Infrastructure Digitalization based on Multimodal Spatial Data [4.602023037078432]
  レーザスキャナーによって収集された点雲のいくつかの主要な特徴を要約し、ネットワーク構築の潜在的な問題を解析する。 道路標識検出の問題を解決するため,情報密度を高めることにより,地中雲内のリモートセンシングデータを最適化する。 リアルタイムディジタルツイントラヒックでは,MPR-GANのバックボーンを2次元特徴生成用として,SuperGlueを2次元特徴マッチング用として,P2PRNネットワークを設計する。
  論文  参考訳（メタデータ） (2023-10-22T13:26:39Z)
• Low-Resource White-Box Semantic Segmentation of Supporting Towers on 3D Point Clouds via Signature Shape Identification [52.77024349608834]
  SCENE-Netは3Dポイントクラウドセマンティックセグメンテーションのための低リソースのホワイトボックスモデルである。 ラップトップでのトレーニング時間は85分、推論時間は20ミリ秒です。 40000 Kmというラベル付きラベル付きデータセットを、農村の地形点雲とコード実装のデータセットとしてリリースしています。
  論文  参考訳（メタデータ） (2023-06-13T14:36:06Z)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D LiDAR Segmentation [60.07812405063708]
  3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。 文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。 本稿では,本研究分野における最先端技術について述べる。
  論文  参考訳（メタデータ） (2022-07-20T09:06:07Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning [53.1436669083784]
  本稿では,CP-Net(Contour-Perturbed Restruction Network)を提案する。 分類では、ModelNet40(92.5%の精度)とScanObjectNN(87.9%の精度)の完全教師付き手法で競合する結果を得る。
  論文  参考訳（メタデータ） (2022-01-20T15:04:12Z)
• Progressive Seed Generation Auto-encoder for Unsupervised Point Cloud Learning [23.730871202742083]
  教師なしの学習は、高価なアノテーションプロセスなしでポイントクラウドを理解し、活用するために不可欠です。 本稿では,ポイントクラウドの再構成に基づく学習のための新しいフレームワークと,PSG-Netという名の自動エンコーダアーキテクチャを提案する。 我々はPSG-Netの有効性を実験的に証明し、PSG-Netはポイントクラウドの再構築と教師なし分類における最先端の性能を示し、教師なし補完における他の手法と同等の性能を達成する。
  論文  参考訳（メタデータ） (2021-12-09T21:05:30Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• CLOI: An Automated Benchmark Framework For Generating Geometric Digital Twins Of Industrial Facilities [0.0]
  CLOIはディープラーニングと幾何学的手法を組み合わせて、ポイントをクラスと個々のインスタンスに分割する。 現在の実践状況と比較して、提案フレームワークは平均30%の推定時間節約を実現できます。
  論文  参考訳（メタデータ） (2021-01-05T05:47:08Z)
• Instance Segmentation of Industrial Point Cloud Data [0.0]
  本稿では,産業施設のオブジェクト指向幾何デジタル双生児(gdts)を効率的に生成する方法について述べる。 我々のこれまでの研究は、最先端のクラスセグメンテーション性能(CLOIデータセットクラスの平均精度75%、平均AUC 90%)を達成した。 我々は,インスタンスセグメンテーションアルゴリズムの使用は,gDTの生成に必要な出力を提供する理論的可能性を持っていると論じる。
  論文  参考訳（メタデータ） (2020-12-24T02:34:59Z)

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。