論文の概要: A boundary-aware point clustering approach in Euclidean and embedding
spaces for roof plane segmentation
- arxiv url: http://arxiv.org/abs/2309.03722v1
- Date: Thu, 7 Sep 2023 13:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 12:48:05.982183
- Title: A boundary-aware point clustering approach in Euclidean and embedding
spaces for roof plane segmentation
- Title（参考訳）: 屋根面セグメンテーションのためのユークリッドおよび埋め込み空間における境界対応点クラスタリング手法
- Authors: Li Li and Qingqing Li and Guozheng Xu and Pengwei Zhou and Jingmin Tu
and Jie Li and Jian Yao
- Abstract要約: 空飛ぶLiDAR点雲からの屋根面のセグメンテーションは、3Dビルディングモデル再構築の重要な技術である。
平面分割の重要な課題の1つは、隣接する平面パッチを区別できる強力な機能をどのように設計するかである。
屋根面分割のためのマルチタスク深層ネットワークにより構築されたユークリッドおよび埋め込み空間における境界対応点クラスタリング手法を提案する。
- 参考スコア（独自算出の注目度）: 9.886255181333862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Roof plane segmentation from airborne LiDAR point clouds is an important
technology for 3D building model reconstruction. One of the key issues of plane
segmentation is how to design powerful features that can exactly distinguish
adjacent planar patches. The quality of point feature directly determines the
accuracy of roof plane segmentation. Most of existing approaches use
handcrafted features to extract roof planes. However, the abilities of these
features are relatively low, especially in boundary area. To solve this
problem, we propose a boundary-aware point clustering approach in Euclidean and
embedding spaces constructed by a multi-task deep network for roof plane
segmentation. We design a three-branch network to predict semantic labels,
point offsets and extract deep embedding features. In the first branch, we
classify the input data as non-roof, boundary and plane points. In the second
branch, we predict point offsets for shifting each point toward its respective
instance center. In the third branch, we constrain that points of the same
plane instance should have the similar embeddings. We aim to ensure that points
of the same plane instance are close as much as possible in both Euclidean and
embedding spaces. However, although deep network has strong feature
representative ability, it is still hard to accurately distinguish points near
plane instance boundary. Therefore, we first group plane points into many
clusters in the two spaces, and then we assign the rest boundary points to
their closest clusters to generate final complete roof planes. In this way, we
can effectively reduce the influence of unreliable boundary points. In
addition, we construct a synthetic dataset and a real dataset to train and
evaluate our approach. The experiments results show that the proposed approach
significantly outperforms the existing state-of-the-art approaches.
- Abstract（参考訳）: 空飛ぶLiDAR点雲からの屋根面のセグメンテーションは、3Dビルディングモデル再構築の重要な技術である。
プレーンセグメンテーションの重要な問題のひとつは、隣接する平面パッチを正確に識別できる強力な機能を設計する方法だ。
点特徴の質は、屋根面のセグメンテーションの精度を直接決定する。
既存のアプローチのほとんどは、屋根面の抽出に手作りの機能を使用している。
しかしながら、特に境界領域において、これらの特徴の能力は比較的低い。
この問題を解決するために,多タスク深層ネットワークによる屋根面分割のためのユークリッド空間と埋め込み空間における境界認識点クラスタリング手法を提案する。
セマンティックラベルを予測し,オフセットを指摘し,深い埋め込み特徴を抽出する3分岐ネットワークを設計する。
第1のブランチでは、入力データを非ルーフ点、境界点、平面点に分類する。
第2のブランチでは、各ポイントをそれぞれのインスタンスセンターに移動するポイントオフセットを予測します。
第3のブランチでは、同じ平面インスタンスの点が同様の埋め込みを持つべきだという制約があります。
我々は、同じ平面のインスタンスの点が、ユークリッド空間と埋め込み空間の両方において可能な限り近いことを保証することを目指している。
しかし, 深層ネットワークは特徴表現能力が強いが, 平面インスタンス境界付近の点を正確に識別することは困難である。
したがって、まず2つの空間の多くのクラスタに平面点をグループ化し、残りの境界点を最も近いクラスタに割り当てて最終的な屋根面を生成する。
このようにして、信頼できない境界点の影響を効果的に低減することができる。
さらに、我々のアプローチを訓練し評価するために、合成データセットと実際のデータセットを構築します。
実験の結果,提案手法が既存の最先端手法を大きく上回ることがわかった。
関連論文リスト
- Twin Deformable Point Convolutions for Point Cloud Semantic Segmentation in Remote Sensing Scenes [12.506628755166814]
双変形点畳み込み(TDConvs)と呼ばれる新しい畳み込み作用素を提案する。
これらの演算子は、緯度-経度面と高度方向の変形可能なサンプリングポイントを学習することで適応的な特徴学習を実現することを目的としている。
既存のベンチマークの実験では、TDConvsが最高のセグメンテーション性能を達成していると結論付けています。
論文 参考訳（メタデータ） (2024-05-30T06:31:03Z) - Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。
ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。
これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
論文 参考訳（メタデータ） (2024-02-27T10:10:12Z) - PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic
Occupancy Prediction [72.75478398447396]
本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。
また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。
プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
論文 参考訳（メタデータ） (2023-08-31T17:57:17Z) - Push-the-Boundary: Boundary-aware Feature Propagation for Semantic
Segmentation of 3D Point Clouds [0.5249805590164901]
本研究では,オブジェクト境界近傍のセマンティックセグメンテーションを改善するための境界対応特徴伝搬機構を提案する。
1つの共有エンコーダで、ネットワークは、(i)境界ローカライゼーション、(ii)オブジェクトの内部を指す方向の予測、(iii)セマンティックセグメンテーションを3つの並列ストリームで出力する。
提案手法は境界誤差を低減することによって一貫した改善をもたらす。
論文 参考訳（メタデータ） (2022-12-23T15:42:01Z) - Ground Plane Matters: Picking Up Ground Plane Prior in Monocular 3D
Object Detection [92.75961303269548]
先行する地平面は、モノクル3次元物体検出(M3OD)における非常に情報的な幾何学的手がかりである
本稿では,両問題を一度に解決するGPENetを提案する。
我々のGPENetは、他の手法よりも優れ、最先端のパフォーマンスを実現し、提案手法の有効性と優位性を示すことができる。
論文 参考訳（メタデータ） (2022-11-03T02:21:35Z) - GSECnet: Ground Segmentation of Point Clouds for Edge Computing [7.481096704433562]
GSECnetは、低電力エッジコンピューティングユニットにデプロイできるように設計された効率的な地上セグメンテーションフレームワークです。
本フレームワークは,デスクトッププラットフォーム上での135.2Hzのランタイム推定を実現する。
論文 参考訳（メタデータ） (2021-04-05T04:29:28Z) - PointFlow: Flowing Semantics Through Points for Aerial Image
Segmentation [96.76882806139251]
本論文では,FPN(Feature Pyramid Network)フレームワークに基づく点親和性伝播モジュールであるPointFlowを提案する。
密接な親和性学習ではなく、隣接する特徴間の選択された点にスパース親和性マップを生成する。
3つの異なる空中セグメンテーションデータセットの実験結果から,提案手法は最先端の汎用セグメンテーション法よりも効率的かつ効率的であることが示唆された。
論文 参考訳（メタデータ） (2021-03-11T09:42:32Z) - Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。
提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
論文 参考訳（メタデータ） (2020-06-22T08:05:25Z) - PointGroup: Dual-Set Point Grouping for 3D Instance Segmentation [111.7241018610573]
私たちは、インスタンスセグメンテーションのための新しいエンドツーエンドボトムアップアーキテクチャであるPointGroupを紹介します。
我々は2分岐ネットワークを設計し、ポイントの特徴を抽出し、セマンティックラベルとオフセットを予測し、各ポイントをそれぞれのインスタンスセントロイドに向けてシフトさせる。
クラスタリングコンポーネントは、元のおよびオフセットシフトされた点座標セットの両方を利用するために、その相補的な強度を利用する。
ScanNet v2 と S3DIS の2つの挑戦的データセットに対する広範な実験を行い、ScanNet v2 と S3DIS が最も高い性能を達成し、63.6% と 64.0% の2つを以前のベストが達成した54.9% と54.4% と比較した。
論文 参考訳（メタデータ） (2020-04-03T16:26:37Z) - From Planes to Corners: Multi-Purpose Primitive Detection in Unorganized
3D Point Clouds [59.98665358527686]
直交平面の分割自由結合推定法を提案する。
このような統合されたシーン探索は、セマンティックプレーンの検出や局所的およびグローバルなスキャンアライメントといった、多目的のアプリケーションを可能にする。
本実験は,壁面検出から6次元トラッキングに至るまで,様々なシナリオにおいて,我々のアプローチの有効性を実証するものである。
論文 参考訳（メタデータ） (2020-01-21T06:51:47Z)
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。