論文の概要: FinnWoodlands Dataset
- arxiv url: http://arxiv.org/abs/2304.00793v1
- Date: Mon, 3 Apr 2023 08:28:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 16:06:10.065110
- Title: FinnWoodlands Dataset
- Title（参考訳）: FinnWoodlands データセット
- Authors: Juan Lagos, Urho Lempi\"o and Esa Rahtu
- Abstract要約: textitFinnsは、合計4226のオブジェクトを手動でアノテートし、そのうち2562のオブジェクトはツリートランクに対応する。
我々のデータセットは、環境の全体的表現が関係する林業のアプリケーションで利用することができる。
- 参考スコア（独自算出の注目度）: 12.386304516106852
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While the availability of large and diverse datasets has contributed to
significant breakthroughs in autonomous driving and indoor applications,
forestry applications are still lagging behind and new forest datasets would
most certainly contribute to achieving significant progress in the development
of data-driven methods for forest-like scenarios. This paper introduces a
forest dataset called \textit{FinnWoodlands}, which consists of RGB stereo
images, point clouds, and sparse depth maps, as well as ground truth manual
annotations for semantic, instance, and panoptic segmentation.
\textit{FinnWoodlands} comprises a total of 4226 objects manually annotated,
out of which 2562 objects (60.6\%) correspond to tree trunks classified into
three different instance categories, namely "Spruce Tree", "Birch Tree", and
"Pine Tree". Besides tree trunks, we also annotated "Obstacles" objects as
instances as well as the semantic stuff classes "Lake", "Ground", and "Track".
Our dataset can be used in forestry applications where a holistic
representation of the environment is relevant. We provide an initial benchmark
using three models for instance segmentation, panoptic segmentation, and depth
completion, and illustrate the challenges that such unstructured scenarios
introduce.
- Abstract（参考訳）: 大規模で多様なデータセットが利用可能になったことは、自動運転や屋内アプリケーションにおいて大きなブレークスルーをもたらしたが、林業アプリケーションはまだ遅れており、新しい森林データセットは、森林のようなシナリオのためのデータ駆動手法の開発において大きな進歩をもたらすだろう。
本稿では, RGBステレオ画像, 点雲, スパース深度マップ, および意味, 例, 汎視的セグメンテーションのための接地真理手動アノテーションからなる森林データセット「textit{FinnWoodlands}」を紹介する。
\textit{FinnWoodlands} は、4226のオブジェクトを手動で注釈付けし、そのうち2562のオブジェクト (60.6\%) は、"Spruce Tree"、"Birch Tree"、"Pine Tree"の3つの異なるインスタンスカテゴリに分類されるツリートランクに対応している。
ツリートランクの他に、インスタンスとして"Obstacles"オブジェクトや、"Lake"、"Ground"、"Track"といったセマンティックなクラスも注釈付けしました。
私たちのデータセットは、環境の全体的表現が関連する森林アプリケーションで使用できます。
ケースセグメンテーション、パン光学セグメンテーション、深さ補完の3つのモデルを用いた初期ベンチマークを行い、そのような非構造化シナリオがもたらす課題を説明する。
関連論文リスト
- Open-Vocabulary Octree-Graph for 3D Scene Understanding [54.11828083068082]
Octree-Graphはオープンな3Dシーン理解のための新しいシーン表現である。
セマンティクスを記憶し、その形状に応じてオブジェクトの占有度を調節するアダプティブ・オクツリー構造を開発する。
論文 参考訳（メタデータ） (2024-11-25T10:14:10Z) - Forest Inspection Dataset for Aerial Semantic Segmentation and Depth
Estimation [6.635604919499181]
森林調査のための大規模航空データセットを新たに導入する。
現実世界と仮想的な自然環境の記録も含んでいる。
地域の森林破壊度を評価するための枠組みを開発する。
論文 参考訳（メタデータ） (2024-03-11T11:26:44Z) - AdaTreeFormer: Few Shot Domain Adaptation for Tree Counting from a Single High-Resolution Image [11.649568595318307]
本稿では,十分なラベル付き木を用いてソースドメインから学習するフレームワークを提案する。
限られた数のラベル付き木しか持たないターゲットドメインに適合する。
実験の結果、AdaTreeFormerは最先端の技術をはるかに上回っていることがわかった。
論文 参考訳（メタデータ） (2024-02-05T12:34:03Z) - Automated forest inventory: analysis of high-density airborne LiDAR
point clouds with 3D deep learning [16.071397465972893]
ForAINetは多様な森林タイプや地理的地域をまたいでセグメンテーションを行うことができる。
システムは、調査ドローンを使用して5つの国で取得されたポイントクラウドのデータセットであるFor-Instanceでテストされている。
論文 参考訳（メタデータ） (2023-12-22T21:54:35Z) - TreeLearn: A Comprehensive Deep Learning Method for Segmenting
Individual Trees from Ground-Based LiDAR Forest Point Clouds [42.87502453001109]
森林点雲のツリーインスタンスセグメンテーションのためのディープラーニングに基づくアプローチであるTreeLearnを提案する。
TreeLearnは、すでにセグメンテーションされたポイントクラウドにデータ駆動でトレーニングされているため、事前に定義された機能やアルゴリズムに依存しない。
我々は、Lidar360ソフトウェアを使って6665本の木の森林点雲上でTreeLearnを訓練した。
論文 参考訳（メタデータ） (2023-09-15T15:20:16Z) - FOR-instance: a UAV laser scanning benchmark dataset for semantic and
instance segmentation of individual trees [0.06597195879147556]
FOR-instanceデータセットは、5つのキュレートされ、ML対応のUAVベースのレーザースキャンデータコレクションから構成される。
データセットは開発サブセットとテストサブセットに分割され、メソッドの進歩と評価が可能になる。
乳房高さデータへの直径の挿入は、古典的な木の変数の測定にその有用性を広げる。
論文 参考訳（メタデータ） (2023-09-03T22:08:29Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳（メタデータ） (2023-02-16T13:41:19Z) - Argoverse 2: Next Generation Datasets for Self-Driving Perception and
Forecasting [64.7364925689825]
Argoverse 2(AV2)は、自動運転分野の研究の知覚と予測のための3つのデータセットの集合である。
Lidarデータセットには、ラベルなしのLidar点雲とマップ整列ポーズの2万のシーケンスが含まれている。
Motion Forecastingデータセットには、各ローカルシーンにおける自動運転車と他のアクター間の興味深い、挑戦的なインタラクションのために採掘された25万のシナリオが含まれている。
論文 参考訳（メタデータ） (2023-01-02T00:36:22Z) - SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。
未発見のオブジェクトを扱うには不備だ。
このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
論文 参考訳（メタデータ） (2021-04-30T07:58:19Z) - Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical
Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。
データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。
本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文 参考訳（メタデータ） (2020-08-11T19:10:32Z) - PhraseCut: Language-based Image Segmentation in the Wild [62.643450401286]
自然言語のフレーズを与えられた画像領域を分割する問題について考察する。
私たちのデータセットは、Visual Genomeデータセットの上に収集されます。
我々の実験は、我々のデータセットにおける概念のスケールと多様性が、既存の最先端技術に重大な課題をもたらすことを示している。
論文 参考訳（メタデータ） (2020-08-03T20:58:53Z)
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。