論文の概要: sat2pc: Estimating Point Cloud of Building Roofs from 2D Satellite Images

• arxiv url: http://arxiv.org/abs/2205.12464v1
• Date: Wed, 25 May 2022 03:24:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 12:30:27.773455
• Title: sat2pc: Estimating Point Cloud of Building Roofs from 2D Satellite Images
• Title（参考訳）: 2D衛星画像から屋根の点雲を推定する sat2pc
• Authors: Yoones Rezaei, Stephen Lee
• Abstract要約: 2次元衛星画像から建物屋根の点を予測するディープラーニングアーキテクチャである sat2pc を提案する。 以上の結果から,SAT2pcは既存のベースラインを少なくとも18.6%上回る性能を示した。
• 参考スコア（独自算出の注目度）: 1.8884278918443564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional (3D) urban models have gained interest because of their applications in many use-cases such as urban planning and virtual reality. However, generating these 3D representations requires LiDAR data, which are not always readily available. Thus, the applicability of automated 3D model generation algorithms is limited to a few locations. In this paper, we propose sat2pc, a deep learning architecture that predicts the point cloud of a building roof from a single 2D satellite image. Our architecture combines Chamfer distance and EMD loss, resulting in better 2D to 3D performance. We extensively evaluate our model and perform ablation studies on a building roof dataset. Our results show that sat2pc was able to outperform existing baselines by at least 18.6%. Further, we show that the predicted point cloud captures more detail and geometric characteristics than other baselines.
• Abstract（参考訳）: 3次元都市モデルは、都市計画やバーチャルリアリティーなどの多くのユースケースに応用されているため、関心を集めている。 しかし、これらの3D表現を生成するにはLiDARデータが必要である。 したがって、自動3Dモデル生成アルゴリズムの適用性は、数箇所に限られる。 本稿では,1つの2次元衛星画像から建物屋根の点雲を予測するディープラーニングアーキテクチャであるSAT2pcを提案する。 私たちのアーキテクチャは、chamfer距離とemd損失を組み合わせることで、2dから3dパフォーマンスが向上します。 本モデルの有効性を広く評価し,建築屋根データセットのアブレーション研究を行う。 以上の結果から,SAT2pcは既存のベースラインを少なくとも18.6%上回る性能を示した。 さらに,予測点雲は,他のベースラインよりも細部や幾何学的特徴を捉えていることを示す。

関連論文リスト

• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• Building3D: An Urban-Scale Dataset and Benchmarks for Learning Roof Structures from Point Clouds [4.38301148531795]
  既存の3Dモデリング用のデータセットは主に家具や車などの一般的なオブジェクトに焦点を当てている。 エストニアの16都市約998Km2をカバーする,160万以上の建物と対応する点雲,メッシュ,ワイヤフレームモデルからなる都市規模データセットを提案する。 実験結果から,ビルディング3Dには高いクラス内分散,データ不均衡,大規模ノイズといった課題があることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T21:38:57Z)
• 3D detection of roof sections from a single satellite image and application to LOD2-building reconstruction [12.693545159861857]
  KIBS(textitKeypoints Inference By)という,2つの特徴からなる都市3次元再構成手法を提案する。 KIBS法は, 異なる都市部を数分で再構築し, 個々の屋根部を8.55%, 75.21%で2次元分割するジャカルド指数を2つのデータ集合で8.55%, および75.21%で表し, その高さ平均誤差を2つのデータ集合で1.60$mと2.06mの3次元再構成で表した。
  論文  参考訳（メタデータ） (2023-07-11T16:23:19Z)
• PillarNeXt: Rethinking Network Designs for 3D Object Detection in LiDAR Point Clouds [29.15589024703907]
  本稿では,計算資源の割り当ての観点から,局所的な点集合体を再考する。 最も単純な柱ベースのモデルは、精度とレイテンシの両方を考慮して驚くほどよく機能することがわかった。 本研究は,3次元物体検出の高性能化のために,詳細な幾何学的モデリングが不可欠である,という一般的な直観に挑戦する。
  論文  参考訳（メタデータ） (2023-05-08T17:59:14Z)
• RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
  カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。 表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
  論文  参考訳（メタデータ） (2022-05-14T05:35:35Z)
• Simple and Effective Synthesis of Indoor 3D Scenes [78.95697556834536]
  1枚以上の画像から3D屋内シーンを没入する問題について検討する。 我々の狙いは、新しい視点から高解像度の画像とビデオを作成することである。 本稿では,不完全点雲の再投影から高解像度のRGB-D画像へ直接マップするイメージ・ツー・イメージのGANを提案する。
  論文  参考訳（メタデータ） (2022-04-06T17:54:46Z)
• ImpliCity: City Modeling from Satellite Images with Deep Implicit Occupancy Fields [20.00737387884824]
  ImpliCityは、3Dシーンを暗黙的かつ連続的な占有領域として表現し、ポイント・クラウドとステレオ・フォトの組込みによって駆動される。 画像解像度0.5$,$mのImpliCityは、$approx,$0.7$,$mの平均的な高さ誤差に達し、競合するメソッドを上回っている。
  論文  参考訳（メタデータ） (2022-01-24T21:40:16Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)
• Semantic Segmentation on Swiss3DCities: A Benchmark Study on Aerial Photogrammetric 3D Pointcloud Dataset [67.44497676652173]
  スイスの3つの都市から採取された総面積2.7 km2$の屋外3Dポイントクラウドデータセットを紹介した。 データセットは、ポイントごとのラベルによるセマンティックセグメンテーションのために手動でアノテートされ、高解像度カメラを備えたマルチローターによって取得された画像のフォトグラムを用いて構築される。
  論文  参考訳（メタデータ） (2020-12-23T21:48:47Z)
• A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
  本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。 我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
  論文  参考訳（メタデータ） (2020-05-21T15:54:55Z)

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。