論文の概要: ELEV-VISION: Automated Lowest Floor Elevation Estimation from Segmenting Street View Images

• arxiv url: http://arxiv.org/abs/2306.03050v1
• Date: Mon, 5 Jun 2023 17:22:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 13:44:41.771871
• Title: ELEV-VISION: Automated Lowest Floor Elevation Estimation from Segmenting Street View Images
• Title（参考訳）: ELEV-VISION:Segmenting Street View Imagesによる最低床標高自動推定
• Authors: Yu-Hsuan Ho, Cheng-Chun Lee, Nicholas D. Diaz, Samuel D. Brody, and Ali Mostafavi
• Abstract要約: 本稿では,コンピュータビジョン技術に基づく下層階自動標高推定アルゴリズムを提案する。 洪水深度損傷モデルでは、LFEと洪水深度の組み合わせを用いて、洪水のリスクと被害の程度を判定する。
• 参考スコア（独自算出の注目度）: 0.9003755151302328
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose an automated lowest floor elevation (LFE) estimation algorithm based on computer vision techniques to leverage the latent information in street view images. Flood depth-damage models use a combination of LFE and flood depth for determining flood risk and extent of damage to properties. We used image segmentation for detecting door bottoms and roadside edges from Google Street View images. The characteristic of equirectangular projection with constant spacing representation of horizontal and vertical angles allows extraction of the pitch angle from the camera to the door bottom. The depth from the camera to the door bottom was obtained from the depthmap paired with the Google Street View image. LFEs were calculated from the pitch angle and the depth. The testbed for application of the proposed method is Meyerland (Harris County, Texas). The results show that the proposed method achieved mean absolute error of 0.190 m (1.18 %) in estimating LFE. The height difference between the street and the lowest floor (HDSL) was estimated to provide information for flood damage estimation. The proposed automatic LFE estimation algorithm using Street View images and image segmentation provides a rapid and cost-effective method for LFE estimation compared with the surveys using total station theodolite and unmanned aerial systems. By obtaining more accurate and up-to-date LFE data using the proposed method, city planners, emergency planners and insurance companies could make a more precise estimation of flood damage.
• Abstract（参考訳）: 街路ビュー画像の潜伏情報を活用するために,コンピュータビジョン技術に基づくLFE推定アルゴリズムを提案する。 洪水深度損傷モデルでは、LFEと洪水深度の組み合わせを用いて、洪水のリスクと被害の程度を決定する。 Googleストリートビューの画像からドアボトムと道路側縁を検出するために,画像セグメントを用いた。 水平および垂直の角度の間隔が一定である等角射影の特徴は、カメラからドア底へのピッチ角の抽出を可能にする。 カメラからドアの底までの距離は、googleストリートビュー画像と組み合わせた深度マップから得られた。 LFEはピッチ角と深さから算出した。 提案手法の適用試験台はメイヤーランド(テキサス州ハリス郡)である。 その結果,LFE推定における絶対誤差は0.190 m (1.18 %) であった。 道路と最下階(HDSL)の高さ差を推定し,洪水被害推定のための情報を提供した。 ストリートビュー画像と画像セグメンテーションを用いた自動LFE推定アルゴリズムは,全局テオドライトおよび無人航空システムを用いた調査と比較して,LFE推定の迅速かつ費用対効果の高い手法を提供する。 提案手法を用いて, より正確かつ最新のLFEデータを得ることにより, 都市プランナー, 緊急プランナー, 保険会社がより正確な洪水被害推定を行うことができる。

関連論文リスト

• ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
  本研究では,新しい単分子深度推定法であるScaleDepthを提案する。 提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。 本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
  論文  参考訳（メタデータ） (2024-07-11T05:11:56Z)
• Automated Floodwater Depth Estimation Using Large Multimodal Model for Rapid Flood Mapping [0.0]
  本稿では, 現場の洪水写真から洪水深度を推定するための, 自動的かつ高速なアプローチを提案する。 事前訓練された大型マルチモーダルモデルであるGPT-4 Visionは、特に洪水水を推定するために使用された。 その結果, 提案手法は, 洪水写真からの洪水深度を迅速かつ確実に推定できることを示した。
  論文  参考訳（メタデータ） (2024-02-26T16:02:15Z)
• SDGE: Stereo Guided Depth Estimation for 360$^\circ$ Camera Sets [65.64958606221069]
  マルチカメラシステムは、360ドル周の知覚を達成するために、しばしば自律走行に使用される。 360ドル(約3万3000円)のカメラセットは、しばしば制限または低品質のオーバーラップ領域を持ち、画像全体に対してマルチビューステレオメソッドを実現する。 重なりの重なりに多視点ステレオ結果を明示的に利用することにより、全画像の深さ推定を強化するステレオガイド深度推定法(SGDE)を提案する。
  論文  参考訳（メタデータ） (2024-02-19T02:41:37Z)
• Learning Dense Flow Field for Highly-accurate Cross-view Camera Localization [15.89357790711828]
  本稿では,衛星画像に対する地上画像に対する3DFカメラのポーズ推定の問題に対処する。 地上画像と衛星画像のペアにおいて,高密度な画素単位の流れ場を学習する手法を提案する。 提案手法は,KITTI,Ford multi-AV,VIGOR,Oxford RobotCarデータセットにおいて,中央値のローカライゼーション誤差を89%,19%,80%,35%削減する。
  論文  参考訳（メタデータ） (2023-09-27T10:26:26Z)
• Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
  本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。 提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
  論文  参考訳（メタデータ） (2023-03-31T16:01:03Z)
• Uncertainty Guided Depth Fusion for Spike Camera [49.41822923588663]
  スパイクカメラのための単分子およびステレオ深度推定ネットワークの予測を融合させる新しい不確かさ誘導深度融合(UGDF)フレームワークを提案する。 我々のフレームワークは、ステレオスパイク深さ推定がより近い範囲でより良い結果をもたらすという事実に動機づけられている。 従来のカメラ深度推定よりもスパイク深度推定の利点を示すため、我々はCitySpike20Kというスパイク深度データセットに貢献する。
  論文  参考訳（メタデータ） (2022-08-26T13:04:01Z)
• Feasibility study of urban flood mapping using traffic signs for route optimization [9.973554387848257]
  水害は世界で最も頻繁に発生し、最もコストがかかる気候災害である。 アメリカ合衆国では、海岸部に住む推定1億2700万人がハリケーンや洪水による住宅被害の恐れがある。
  論文  参考訳（メタデータ） (2021-09-24T02:13:23Z)
• Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
  既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。 画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。 私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
  論文  参考訳（メタデータ） (2021-02-21T05:24:18Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)

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。