論文の概要: Building3D: An Urban-Scale Dataset and Benchmarks for Learning Roof Structures from Point Clouds

• arxiv url: http://arxiv.org/abs/2307.11914v1
• Date: Fri, 21 Jul 2023 21:38:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 19:08:56.473216
• Title: Building3D: An Urban-Scale Dataset and Benchmarks for Learning Roof Structures from Point Clouds
• Title（参考訳）: Building3D: ポイントクラウドからルーフ構造を学ぶための都市規模のデータセットとベンチマーク
• Authors: Ruisheng Wang, Shangfeng Huang and Hongxin Yang
• Abstract要約: 既存の3Dモデリング用のデータセットは主に家具や車などの一般的なオブジェクトに焦点を当てている。 エストニアの16都市約998Km2をカバーする,160万以上の建物と対応する点雲,メッシュ,ワイヤフレームモデルからなる都市規模データセットを提案する。 実験結果から,ビルディング3Dには高いクラス内分散,データ不均衡,大規模ノイズといった課題があることが示唆された。
• 参考スコア（独自算出の注目度）: 4.38301148531795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban modeling from LiDAR point clouds is an important topic in computer vision, computer graphics, photogrammetry and remote sensing. 3D city models have found a wide range of applications in smart cities, autonomous navigation, urban planning and mapping etc. However, existing datasets for 3D modeling mainly focus on common objects such as furniture or cars. Lack of building datasets has become a major obstacle for applying deep learning technology to specific domains such as urban modeling. In this paper, we present a urban-scale dataset consisting of more than 160 thousands buildings along with corresponding point clouds, mesh and wire-frame models, covering 16 cities in Estonia about 998 Km2. We extensively evaluate performance of state-of-the-art algorithms including handcrafted and deep feature based methods. Experimental results indicate that Building3D has challenges of high intra-class variance, data imbalance and large-scale noises. The Building3D is the first and largest urban-scale building modeling benchmark, allowing a comparison of supervised and self-supervised learning methods. We believe that our Building3D will facilitate future research on urban modeling, aerial path planning, mesh simplification, and semantic/part segmentation etc.
• Abstract（参考訳）: LiDARポイントクラウドからの都市モデリングは、コンピュータビジョン、コンピュータグラフィックス、フォトグラム、リモートセンシングにおいて重要なトピックである。 3Dの都市モデルは、スマートシティ、自律ナビゲーション、都市計画、マッピングなど、幅広い応用を見出している。 しかし、既存の3dモデリングのデータセットは主に家具や車といった共通のオブジェクトに焦点を当てている。 データセット構築の欠如は、都市モデリングのような特定のドメインにディープラーニング技術を適用する上で大きな障害となっている。 本稿では,エストニアの16都市を約998Km2でカバーする,160万以上の建物と対応する点雲,メッシュ,ワイヤフレームモデルからなる都市規模データセットを提案する。 我々は,手作りおよび深層特徴量に基づく手法を含む最先端アルゴリズムの性能を広範囲に評価した。 実験の結果,ビルディング3dはクラス内分散度,データ不均衡,大規模騒音の課題があることがわかった。 building3dは最初の都市規模の建築モデリングベンチマークであり、教師あり学習法と自己教師あり学習法を比較することができる。 我々は,ビル3Dが都市モデリング,空路計画,メッシュ単純化,セマンティック/パートセグメンテーションなどの今後の研究を促進すると信じている。

関連論文リスト

• MatrixCity: A Large-scale City Dataset for City-scale Neural Rendering and Beyond [69.37319723095746]
  都市規模のニューラルレンダリング研究のための大規模で包括的で高品質な合成データセットを構築します。 本研究では,地上カメラのポーズと追加データモダリティを伴って,航空・街路ビューを容易に収集するパイプラインを構築した。 その結果得られたパイロットデータセットMatrixCityには、合計28km2$の2つの都市地図から、67kの空中画像と452kのストリート画像が含まれている。
  論文  参考訳（メタデータ） (2023-09-28T16:06:02Z)
• UrbanBIS: a Large-scale Benchmark for Fine-grained Urban Building Instance Segmentation [50.52615875873055]
  都市BISは6つの実際の都市のシーンで構成され、25億点があり、面積は10.78平方キロメートルである。 UrbanBISは、建物、車両、植生、道路、橋など、豊富な都市オブジェクトに意味レベルのアノテーションを提供する。 UrbanBISは、きめ細かいサブカテゴリを導入した最初の3Dデータセットである。
  論文  参考訳（メタデータ） (2023-05-04T08:01:38Z)
• Objaverse: A Universe of Annotated 3D Objects [53.2537614157313]
  800K以上の(そして成長する)3Dモデルと記述タグ,キャプション,アニメーションを備えたオブジェクトの大規模なデータセットであるAverse 1.0を提示する。 多様な3Dモデルのトレーニング、LVISベンチマークでのテールカテゴリセグメンテーションの改善、エンボディードビジョンモデルのためのオープン語彙オブジェクトナビゲーションモデルのトレーニング、そしてビジョンモデルのロバストネス分析のための新しいベンチマークを作成する。
  論文  参考訳（メタデータ） (2022-12-15T18:56:53Z)
• sat2pc: Estimating Point Cloud of Building Roofs from 2D Satellite Images [1.8884278918443564]
  2次元衛星画像から建物屋根の点を予測するディープラーニングアーキテクチャである sat2pc を提案する。 以上の結果から,SAT2pcは既存のベースラインを少なくとも18.6%上回る性能を示した。
  論文  参考訳（メタデータ） (2022-05-25T03:24:40Z)
• SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds [52.624157840253204]
  センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。 データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
  論文  参考訳（メタデータ） (2022-01-12T14:48:11Z)
• BuildingNet: Learning to Label 3D Buildings [19.641000866952815]
  BuildingNet: (a)外装が一貫してラベル付けされている大規模な3Dビルディングモデル、(b)幾何学的プリミティブの分析と構造的関係をビルディングにラベル付けするニューラルネットワーク。 データセットは、家、教会、高層ビル、市役所、城などのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2021-10-11T01:45:26Z)
• Semantic Segmentation on Swiss3DCities: A Benchmark Study on Aerial Photogrammetric 3D Pointcloud Dataset [67.44497676652173]
  スイスの3つの都市から採取された総面積2.7 km2$の屋外3Dポイントクラウドデータセットを紹介した。 データセットは、ポイントごとのラベルによるセマンティックセグメンテーションのために手動でアノテートされ、高解像度カメラを備えたマルチローターによって取得された画像のフォトグラムを用いて構築される。
  論文  参考訳（メタデータ） (2020-12-23T21:48:47Z)
• Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset, Benchmarks and Challenges [52.624157840253204]
  我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。 私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。 我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
  論文  参考訳（メタデータ） (2020-09-07T14:47:07Z)
• HoliCity: A City-Scale Data Platform for Learning Holistic 3D Structures [39.2984574045825]
  このデータセットには6,300個の現実世界のパノラマがあり、ロンドンのダウンタウンのCADモデルと正確に一致しており、面積は20km2である。 このデータセットの最終的な目標は、都市再建、マッピング、拡張現実のための実際のアプリケーションをサポートすることだ。
  論文  参考訳（メタデータ） (2020-08-07T17:34:47Z)

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。