論文の概要: Better Predict the Dynamic of Geometry of In-Pit Stockpiles Using
Geospatial Data and Polygon Models
- arxiv url: http://arxiv.org/abs/2302.12392v1
- Date: Fri, 24 Feb 2023 01:46:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 14:49:51.793807
- Title: Better Predict the Dynamic of Geometry of In-Pit Stockpiles Using
Geospatial Data and Polygon Models
- Title（参考訳）: 地理空間データと多角形モデルを用いたインピットストックパイルの動的形状のより良い予測
- Authors: Mehala.Balamurali, Konstantin M. Seiler
- Abstract要約: 本稿では,ポリゴンモデルを用いて,投棄・回収操作によるストックパイル形状変化の動態を推定する方法を提案する。
提示された研究は、回収されたバケット情報がない場合に、備蓄の幾何学をどのように推測できるかも示している。
- 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: Modelling stockpile is a key factor of a project economic and operation in
mining, because not all the mined ores are not able to mill for many reasons.
Further, the financial value of the ore in the stockpile needs to be reflected
on the balance sheet. Therefore, automatically tracking the frontiers of the
stockpile facilitates the mine scheduling engineers to calculate the tonnage of
the ore remaining in the stockpile. This paper suggests how the dynamic of
stockpile shape changes caused by dumping and reclaiming operations can be
inferred using polygon models. The presented work also demonstrates how the
geometry of stockpiles can be inferred in the absence of reclaimed bucket
information, in which case the reclaim polygons are established using the
diggers GPS positional data at the time of truck loading. This work further
compares two polygon models for creating 2D shapes.
- Abstract（参考訳）: 資源のモデリングは、鉱山のすべての鉱石が多くの理由で製粉できないわけではないため、鉱業におけるプロジェクトの経済と運営の鍵となる要素である。
さらに、備蓄中の鉱石の財務価値をバランスシートに反映する必要がある。
したがって、備蓄のフロンティアを自動的に追跡することで、鉱山のスケジューリングエンジニアは備蓄に残る鉱石のトン数を計算することができる。
本稿では,ポリゴンモデルを用いて,投棄・回収操作によるストックパイル形状変化の動態を推定する方法を提案する。
また, 埋立物の形状が, 回収バケット情報がない場合にどのように推定されるかを示すとともに, 積立ポリゴンがトラックの積載時に, 掘削機GPS測位データを用いて確立される場合も示す。
この研究は、2次元形状を作るための2つのポリゴンモデルを比較する。
関連論文リスト
- GeoFormer: A Multi-Polygon Segmentation Transformer [10.097953939411868]
リモートセンシングでは、建物のような物体のスケール不変な形状を学習する必要がある。
このような課題に対処する新しいアーキテクチャであるGeoFormerを導入し、マルチポリゴンをエンドツーエンドに生成する方法を学習する。
キーポイントを自動回帰方式で空間依存トークンとしてモデル化することにより、GeoFormerは、衛星画像から構築対象を指示する既存の作業より優れている。
論文 参考訳（メタデータ） (2024-11-25T17:54:44Z) - Topology-Agnostic Graph U-Nets for Scalar Field Prediction on Unstructured Meshes [2.4306216325375196]
TAG U-Netはグラフ畳み込みネットワークで、任意のメッシュやグラフ構造を入力できるようにトレーニングすることができる。
モデルは、各入力グラフの粗いバージョンを構築し、元のグラフ上のノードワイズ出力を予測するために、一連の畳み込みとプーリング操作を実行する。
論文 参考訳（メタデータ） (2024-10-08T22:27:35Z) - Progressive Evolution from Single-Point to Polygon for Scene Text [79.29097971932529]
単点をコンパクトな多角形に効率よく変換できるPoint2Polygonを導入する。
まず認識信頼度に基づいてアンカーポイントを作成し,ポリゴンを垂直に水平に精製する。
また,本手法により生成したポリゴンを用いた学習において,GTと比較して精度の86%を達成し,さらに,提案したPoint2Polygonをシームレスに統合することにより,単一点スポッターにポリゴンの生成を促進させることができた。
論文 参考訳（メタデータ） (2023-12-21T12:08:27Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - Heterogenous Ensemble of Models for Molecular Property Prediction [55.91865861896012]
分子の異なるモーダル性を考える手法を提案する。
これらのモデルをHuberRegressorでアンサンブルします。
これにより、OGB Large-Scale Challenge (2022)の2textsuperscriptndエディションの勝利のソリューションが得られる。
論文 参考訳（メタデータ） (2022-11-20T17:25:26Z) - PolyBuilding: Polygon Transformer for End-to-End Building Extraction [9.196604757138825]
PolyBuildingはリモートセンシング画像から建物のベクトル表現を予測する。
モデルはそれらの関係を学習し、画像からコンテキスト情報を符号化し、構築ポリゴンの最終セットを予測する。
また、ピクセルレベルのカバレッジ、インスタンスレベルの精度とリコール、幾何学レベルの特性など、新たな最先端性を実現している。
論文 参考訳（メタデータ） (2022-11-03T04:53:17Z) - PolyWorld: Polygonal Building Extraction with Graph Neural Networks in
Satellite Images [10.661430927191205]
本稿では、画像から直接建物頂点を抽出し、それらを正しく接続して正確なポリゴンを生成するニューラルネットワークであるPolyWorldを紹介する。
PolyWorldは、ポリゴン化の構築における最先端を著しく上回る。
論文 参考訳（メタデータ） (2021-11-30T15:23:17Z) - Lifting 2D Object Locations to 3D by Discounting LiDAR Outliers across
Objects and Views [70.1586005070678]
本稿では,2次元マスクオブジェクトの予測と生のLiDAR点雲を自動的に3次元境界ボックスに変換するシステムを提案する。
これらの手法は, より複雑なパイプラインや3Dモデル, 付加的な人為的な事前情報ソースを使用するにもかかわらず, 従来よりもはるかに優れていた。
論文 参考訳（メタデータ） (2021-09-16T13:01:13Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳（メタデータ） (2021-02-19T11:56:44Z) - Towards General Purpose Geometry-Preserving Single-View Depth Estimation [1.9573380763700712]
単視点深度推定(SVDE)は、ARアプリケーション、3Dモデリング、ロボット工学におけるシーン理解において重要な役割を果たす。
近年の研究では、成功するソリューションはトレーニングデータの多様性とボリュームに強く依存していることが示されている。
我々の研究は、従来のデータセットとともに、このデータに基づいてトレーニングされたモデルが、正確なシーン形状を予測しながら精度を向上できることを示している。
論文 参考訳（メタデータ） (2020-09-25T20:06:13Z)
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。