論文の概要: A Fully Automated and Scalable Surface Water Mapping with Topographic
Airborne LiDAR Data
- arxiv url: http://arxiv.org/abs/2301.06567v1
- Date: Mon, 16 Jan 2023 19:04:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 15:32:04.802566
- Title: A Fully Automated and Scalable Surface Water Mapping with Topographic
Airborne LiDAR Data
- Title（参考訳）: 地形型LiDARデータによる完全自動・スケーラブルな表面水マッピング
- Authors: Hunsoo Song, Jinha Jung
- Abstract要約: 本稿では, 様々な景観において, 表面水体を非常に微細なスケールまで正確に抽出する手法を提案する。
提案手法は、重力が常に液体分子を降ろすため、表面水は平らであるという頑健な仮定を利用する。
持続的でレジリエントな環境を構築する上で,私たちの作業がより効果的なソリューションに結びつくことを期待して,コードを一般向けに公開します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable and accurate high-resolution maps of surface waters are critical
inputs to models that help understand the impacts and relationships between the
environment and human activities. Advances in remote sensing technology have
opened up the possibility of mapping very small bodies of water that are
closely related to people's daily lives and are mostly affected by
anthropogenic pressures. However, a robust and scalable method that works well
for all types of water bodies located in diverse landscapes at high-resolution
has yet to be developed. This paper presents a method that can accurately
extract surface water bodies up to a very fine scale in a wide variety of
landscapes. Unlike optical image-based methods, the proposed method exploits
the robust assumption that surface water is flat as gravity always pulls liquid
molecules down. Based on this natural law, the proposed method extracts
accurate, high-resolution water bodies including their elevations in a fully
automated manner using only airborne LiDAR data. Extensive experiments with
large ($\approx$ 2,500$km^{2}$) and diverse landscapes (urban, coastal, and
mountainous areas) confirmed that our method can generate accurate results
without site-specific parameter tunings for varied types of surface water. The
proposed method enables an automated, scalable high-resolution mapping of a
full 3D topography that includes both water and terrain, using only point
clouds for the first time. We will release the code to the public in the hope
that our work would lead to more effective solutions to help build a
sustainable and resilient environment.
- Abstract（参考訳）: 表面水の信頼性と正確な高解像度マップは、環境と人間の活動の間の影響と関係を理解するのに役立つモデルへの重要な入力である。
リモートセンシング技術の進歩は、人々の日常生活と密接な関係を持ち、主に人為的な圧力によって影響を受ける非常に小さな水域をマッピングする可能性を開く。
しかし、高分解能の多様な景観にあるあらゆる種類の水域でうまく機能する堅牢でスケーラブルな手法はまだ開発されていない。
本稿では, 様々な景観において, 表面水体を非常に微細なスケールまで正確に抽出する手法を提案する。
光学的イメージベース法とは異なり、提案手法は表面水が平らであり、重力は常に液体分子を降ろすという強固な仮定を生かしている。
この自然法則に基づいて, 空中LiDARデータのみを用いて, 高度を含む高精度で高分解能な水域を全自動で抽出する手法を提案する。
大規模 (2,500$km^{2}$) および多様な景観(都市, 沿岸, 山岳地域) による大規模な実験により, 各種表層水に対するサイト固有パラメータチューニングを伴わずに正確な結果が得られることを確認した。
提案手法は,水と地形の両方を含む全3次元地形を,初めて点雲のみを用いて,自動でスケーラブルな高分解能マッピングを可能にする。
持続的でレジリエントな環境を構築する上で,私たちの作業がより効果的なソリューションに結びつくことを期待して,コードを一般向けに公開します。
関連論文リスト
- GeoSplatting: Towards Geometry Guided Gaussian Splatting for Physically-based Inverse Rendering [69.67264955234494]
GeoSplattingは、3DGSを明示的な幾何学的ガイダンスと微分可能なPBR方程式で拡張する新しいハイブリッド表現である。
多様なデータセットにわたる総合的な評価は、GeoSplattingの優位性を示している。
論文 参考訳（メタデータ） (2024-10-31T17:57:07Z) - Wave (from) Polarized Light Learning (WPLL) method: high resolution spatio-temporal measurements of water surface waves in laboratory setups [2.3599126081503177]
本研究では,高分解能で表面標高と傾斜図を推定できる学習に基づく実験室実装のためのリモートセンシング手法を提案する。
この方法は、偏光強度から水面斜面を近似するディープニューラルネットワーク(DNN)モデルを用いる。
単純な波動列車で訓練を受けた後、WPLLは様々な波動場における水面と標高の高精度で正確な2次元再構成を行うことができる。
論文 参考訳（メタデータ） (2024-10-19T05:37:44Z) - Automatic occlusion removal from 3D maps for maritime situational awareness [1.7661845949769064]
従来の3D再構築技術は、車や船などの動的物体が本当の環境を曖昧にする問題に直面することが多い。
提案手法は,3次元メッシュのテクスチャと幾何学を直接修正するために,インスタンスセグメンテーションや生成インペインティングなどのディープラーニング技術を活用する。
対象物を選択的にターゲットし、静的要素を保存することにより、幾何学的および視覚的精度を向上する。
論文 参考訳（メタデータ） (2024-09-05T11:58:36Z) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。
この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
論文 参考訳（メタデータ） (2024-03-15T14:35:05Z) - Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity
Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。
ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文 参考訳（メタデータ） (2024-01-06T12:32:25Z) - NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。
提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
論文 参考訳（メタデータ） (2023-12-07T19:30:55Z) - PaintHuman: Towards High-fidelity Text-to-3D Human Texturing via
Denoised Score Distillation [89.09455618184239]
テキスト・ツー・3D世代における最近の進歩は画期的なものである。
そこで我々はPaintHumanというモデルを提案し,その課題を2つの側面から解決する。
奥行きマップを手引きとして,現実的なセマンティックなテクスチャの整合性を保証する。
論文 参考訳（メタデータ） (2023-10-14T00:37:16Z) - GLH-Water: A Large-Scale Dataset for Global Surface Water Detection in
Large-Size Very-High-Resolution Satellite Imagery [2.342488890032597]
本稿では,250個の衛星画像と手動による表層水アノテーションからなるGLH-waterデータセットを提案する。
それぞれの画像サイズは12,800ドル(約12,800円)で、空間解像度0.3mの12,800ピクセル。
GLH-waterのベンチマークを構築するために,代表表面水検出モデル,一般的なセマンティックセグメンテーションモデル,超高分解能セグメンテーションモデルを用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-03-16T13:35:56Z) - Neuroevolution deep learning architecture search for estimation of river
surface elevation from photogrammetric Digital Surface Models [0.0]
機械学習を用いて、乱れたフォトグラムデータから水面上昇値(WSE)を抽出した。
データは、水文学、水文学、流体力学のモデルの検証と校正に使用することができ、水文学の予測をより正確にすることができる。
論文 参考訳（メタデータ） (2021-12-22T11:25:23Z)
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。
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。