Fugu-MT 論文翻訳(概要): Learning Digital Terrain Models from Point Clouds: ALS2DTM Dataset and Rasterization-based GAN

論文の概要: Learning Digital Terrain Models from Point Clouds: ALS2DTM Dataset and Rasterization-based GAN

arxiv url: http://arxiv.org/abs/2206.03778v1
Date: Wed, 8 Jun 2022 09:50:48 GMT
ステータス: 処理完了
システム内更新日: 2022-06-09 21:55:28.770053
Title: Learning Digital Terrain Models from Point Clouds: ALS2DTM Dataset and Rasterization-based GAN
Title（参考訳）: ポイントクラウドからディジタル地形モデルを学ぶ - als2dtmデータセットとラスタライズベースgan
Authors: Ho\`ang-\^An L\^e, Florent Guiotte, Minh-Tan Pham, S\'ebastien Lef\`evre, Thomas Corpetti
Abstract要約: 本論文は,ALS点雲とそれに対応するDTMの大規模データセットをオープンソースとして収集する。 ALS点雲から直接デジタルTerrainモデルを抽出するために、Deepニューラルネットワークをトレーニングする最初の試みとして、ベースライン手法が提案されている。データセットをベンチマークし、ポイントクラウドからDTMを抽出する学習の課題を分析するために、確立された手法による大規模な研究が実施されている。
参考スコア（独自算出の注目度）: 6.267267911687337
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite the popularity of deep neural networks in various domains, the extraction of digital terrain models (DTMs) from airborne laser scanning (ALS) point clouds is still challenging. This might be due to the lack of dedicated large-scale annotated dataset and the data-structure discrepancy between point clouds and DTMs. To promote data-driven DTM extraction, this paper collects from open sources a large-scale dataset of ALS point clouds and corresponding DTMs with various urban, forested, and mountainous scenes. A baseline method is proposed as the first attempt to train a Deep neural network to extract digital Terrain models directly from ALS point clouds via Rasterization techniques, coined DeepTerRa. Extensive studies with well-established methods are performed to benchmark the dataset and analyze the challenges in learning to extract DTM from point clouds. The experimental results show the interest of the agnostic data-driven approach, with sub-metric error level compared to methods designed for DTM extraction. The data and source code is provided at https://lhoangan.github.io/deepterra/ for reproducibility and further similar research.
Abstract（参考訳）: 様々な領域におけるディープニューラルネットワークの人気にもかかわらず、空中レーザー走査(ALS)点雲からのデジタル地形モデル(DTM)の抽出は依然として困難である。これは、専用の大規模アノテートデータセットの欠如と、ポイントクラウドとDTM間のデータ構造の違いによる可能性がある。データ駆動型DTM抽出を促進するために,本稿では,ALS点雲と対応するDTMの大規模データセットを,様々な都市,森林,山間部で収集する。深層ニューラルネットワークを訓練し、ラスタライズ技術を用いてals点雲から直接ディジタル地形モデルを抽出しようとする最初の試みとして、ベースライン法が提案されている。データセットをベンチマークし、ポイントクラウドからDTMを抽出する学習の課題を分析するために、確立された手法による大規模な研究が行われている。実験結果から,DTM抽出法と比較して,非依存的データ駆動手法の関心度がサブメトリック誤差レベルであることがわかった。データとソースコードはhttps://lhoangan.github.io/deepterra/で提供されている。

関連論文リスト

Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。雲の光学的厚さ推定のための新しい合成データセットを提案する。信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
論文参考訳（メタデータ） (2023-11-23T14:28:28Z)
AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文参考訳（メタデータ） (2023-09-20T09:29:44Z)
Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。本稿ではDDの最近の進歩とその応用について概説する。
論文参考訳（メタデータ） (2023-01-17T17:03:28Z)
A Recommender System-Inspired Cloud Data Filling Scheme for Satellite-based Coastal Observation [0.0]
本研究は,オンラインショッピング用に設計されたレコメンデーションシステムにおけるデータ計算手法の成功に触発されたものである。合成雲カバーの幅の広いLandSatデータセットに対して数値実験を設計・実施した。 Funk-SVDと呼ばれるシステムにインスパイアされた行列分解アルゴリズムは、計算精度と効率において優れた性能を示した。
論文参考訳（メタデータ） (2021-11-27T18:26:11Z)
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)
DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
論文参考訳（メタデータ） (2021-04-28T15:13:12Z)
Point Cloud based Hierarchical Deep Odometry Estimation [3.058685580689605]
点群データを用いた運転シナリオにおけるオドメトリ推定を学習する深層モデルを提案する。提案モデルでは,フレーム対フレームのオドメトリ推定のために生の点雲を消費する。
論文参考訳（メタデータ） (2021-03-05T00:17:58Z)
ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
論文参考訳（メタデータ） (2020-09-07T23:46:08Z)
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)
Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文参考訳（メタデータ） (2020-04-15T06:13:33Z)
Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.125851164829582]
本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
論文参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。