論文の概要: Linear features segmentation from aerial images

• arxiv url: http://arxiv.org/abs/2212.12327v1
• Date: Fri, 23 Dec 2022 18:51:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 16:17:56.760382
• Title: Linear features segmentation from aerial images
• Title（参考訳）: 空中画像からの線形特徴分割
• Authors: Zhipeng Chang, Siddharth Jha, Yunfei Xia
• Abstract要約: 本稿では,U-Net や SegNet などの深層学習モデルを用いて,道路交通の分岐線を航空画像から分類・区分けする手法を提案する。 注釈付きデータはこれらのモデルをトレーニングするために使用され、その後、空中画像の分類と分類に使用される。 また,道路のディジタル可視化のためのCADファイルを構築するために,都市計画者が利用できるセグメント化出力から,各流域のx座標とy座標を抽出した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid development of remote sensing technologies have gained significant attention due to their ability to accurately localize, classify, and segment objects from aerial images. These technologies are commonly used in unmanned aerial vehicles (UAVs) equipped with high-resolution cameras or sensors to capture data over large areas. This data is useful for various applications, such as monitoring and inspecting cities, towns, and terrains. In this paper, we presented a method for classifying and segmenting city road traffic dashed lines from aerial images using deep learning models such as U-Net and SegNet. The annotated data is used to train these models, which are then used to classify and segment the aerial image into two classes: dashed lines and non-dashed lines. However, the deep learning model may not be able to identify all dashed lines due to poor painting or occlusion by trees or shadows. To address this issue, we proposed a method to add missed lines to the segmentation output. We also extracted the x and y coordinates of each dashed line from the segmentation output, which can be used by city planners to construct a CAD file for digital visualization of the roads.
• Abstract（参考訳）: リモートセンシング技術の急速な発展は、空中画像からオブジェクトを正確にローカライズ、分類、分割する能力により、大きな注目を集めている。 これらの技術は、高解像度のカメラやセンサーを装備した無人航空機(UAV)で広く使われている。 このデータは、都市、町、地形の監視や検査など、様々な用途に有用である。 本論文では,U-NetやSegNetといった深層学習モデルを用いて,道路交通の分岐線を航空画像から分類・分断する手法を提案する。 注釈付きデータはこれらのモデルを訓練するために使用され、航空画像の分類と分類には、ダッシュラインと非ダッシュラインの2つのクラスが使用される。 しかし,深層学習モデルでは,木や影による絵の描写不良や閉塞などにより,破断線を識別できない場合がある。 この問題に対処するため,セグメント化出力にミスラインを追加する手法を提案した。 また,道路のディジタル可視化のためのCADファイルを構築するために,都市計画者が利用できるセグメント化出力から,各流域のx座標とy座標を抽出した。

関連論文リスト

• TopoSD: Topology-Enhanced Lane Segment Perception with SDMap Prior [70.84644266024571]
  我々は、標準定義地図(SDMaps)を見るために知覚モデルを訓練することを提案する。 我々はSDMap要素をニューラル空間マップ表現やインスタンストークンにエンコードし、先行情報のような補完的な特徴を組み込む。 レーンセグメント表現フレームワークに基づいて、モデルはレーン、中心線、およびそれらのトポロジを同時に予測する。
  論文  参考訳（メタデータ） (2024-11-22T06:13:42Z)
• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Large-scale Weakly Supervised Learning for Road Extraction from Satellite Imagery [9.28701721082481]
  本稿では,OpenStreetMapの道路データを弱いラベルや大規模衛星画像として活用して,事前学習セマンティックセグメンテーションモデルを提案する。 私たちのモデルは、広く使われているDeepGlobeロードデータセットの最大100倍のデータを使用し、現在のDeepGlobeリーダーボードのトップパフォーマーを超えています。
  論文  参考訳（メタデータ） (2023-09-14T16:16:57Z)
• Patched Line Segment Learning for Vector Road Mapping [34.16241268436923]
  我々は,幾何的重要性を持つ道路グラフに対して,よく定義されたパッチラインセグメンテーション表現を構築した。 提案手法は,6時間のGPUトレーニングで最先端の性能を達成し,トレーニングコストを32倍に削減する。
  論文  参考訳（メタデータ） (2023-09-06T11:33:25Z)
• Parsing Line Segments of Floor Plan Images Using Graph Neural Networks [0.0]
  接合ヒートマップを用いて線セグメントの終端を予測し,グラフニューラルネットワークを用いて線セグメントとそのカテゴリを抽出する。 提案手法では,ベクトル化された線分を出力することができ,実際の使用には後処理のステップを少なくする必要がある。
  論文  参考訳（メタデータ） (2023-03-07T12:32:19Z)
• DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients [105.25109274550607]
  ラインセグメントは、視覚タスクでますます使われています。 画像勾配に基づく従来の線検出器は非常に高速で精度が高いが、ノイズの多い画像や困難な条件では頑丈さに欠ける。 我々は、両方の世界を最大限に活用するために、伝統的なアプローチと学習されたアプローチを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2022-12-15T12:36:49Z)
• Validation of Vector Data using Oblique Images [10.435599970058297]
  本稿では,斜め画像を用いたベクトルデータの不整合を検出する頑健でスケーラブルなアルゴリズムを提案する。 このアルゴリズムは画像記述子を使用して、画像中の地理空間実体の局所的な外観を符号化する。 Support Vector Machineは、基礎となるベクトルデータと一致しないイメージ記述子を検出するように訓練されている。
  論文  参考訳（メタデータ） (2022-06-17T22:45:31Z)
• Polyline Based Generative Navigable Space Segmentation for Autonomous Visual Navigation [57.3062528453841]
  ロボットが教師なしの方法で移動可能な空間分割を学習できるようにするための表現学習ベースのフレームワークを提案する。 提案するPSV-Netは,単一のラベルを使わずとも,高精度で視覚ナビゲーション可能な空間を学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-29T19:50:48Z)
• Semantic Image Alignment for Vehicle Localization [111.59616433224662]
  単眼カメラからのセマンティックセグメンテーションを用いた高密度セマンティックマップにおける車両位置推定手法を提案する。 既存の視覚的ローカライゼーションアプローチとは対照的に、システムは追加のキーポイント機能、手作りのローカライゼーションランドマーク抽出器、高価なLiDARセンサーを必要としない。
  論文  参考訳（メタデータ） (2021-10-08T14:40:15Z)
• SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
  道路抽出は、自律航法システムを構築するための重要なステップである。 この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。 本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
  論文  参考訳（メタデータ） (2021-09-16T03:52:17Z)
• SpotNet: Self-Attention Multi-Task Network for Object Detection [11.444576186559487]
  我々は,背景サブトラクションや光フローを用いて,半教師付き方式で前景/後景セグメンテーションラベルを作成する。 ネットワーク内のセグメンテーションマップを自己認識機構として使用して,境界ボックスの生成に使用する特徴マップを重み付けする。 この手法を用いることで,2つの交通監視データセットにおいて,重要なmAP改善が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-13T14:43:24Z)

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。