Fugu-MT 論文翻訳(概要): A Ground Segmentation Method Based on Point Cloud Map for Unstructured Roads

論文の概要: A Ground Segmentation Method Based on Point Cloud Map for Unstructured Roads

arxiv url: http://arxiv.org/abs/2309.08164v1
Date: Fri, 15 Sep 2023 05:23:16 GMT
ステータス: 処理完了
システム内更新日: 2023-09-18 15:53:29.657309
Title: A Ground Segmentation Method Based on Point Cloud Map for Unstructured Roads
Title（参考訳）: 非構造道路における点雲マップに基づく地盤区分法
Authors: Zixuan Li, Haiying Lin, Zhangyu Wang, Huazhi Li, Miao Yu and Jie Wang
Abstract要約: 関心領域抽出, ポイントクラウド登録, バックグラウンドサブトラクションの3つの部分を含む, ポイントクラウドマップに基づくグラウンドセグメンテーション手法を提案する。実験の結果, グラウンドポイントの正しいセグメンテーション率は99.95%であり, ランニング時間は26msであることがわかった。提案手法は,オープンピット鉱山に代表される非構造道路シナリオに適用可能である。
参考スコア（独自算出の注目度）: 10.367730390937622
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ground segmentation, as the basic task of unmanned intelligent perception, provides an important support for the target detection task. Unstructured road scenes represented by open-pit mines have irregular boundary lines and uneven road surfaces, which lead to segmentation errors in current ground segmentation methods. To solve this problem, a ground segmentation method based on point cloud map is proposed, which involves three parts: region of interest extraction, point cloud registration and background subtraction. Firstly, establishing boundary semantic associations to obtain regions of interest in unstructured roads. Secondly, establishing the location association between point cloud map and the real-time point cloud of region of interest by semantics information. Thirdly, establishing a background model based on Gaussian distribution according to location association, and segments the ground in real-time point cloud by the background substraction method. Experimental results show that the correct segmentation rate of ground points is 99.95%, and the running time is 26ms. Compared with state of the art ground segmentation algorithm Patchwork++, the average accuracy of ground point segmentation is increased by 7.43%, and the running time is increased by 17ms. Furthermore, the proposed method is practically applied to unstructured road scenarios represented by open pit mines.
Abstract（参考訳）: 地上セグメンテーションは、無人知的知覚の基本タスクとして、ターゲット検出タスクに対する重要なサポートを提供する。開放式地雷に代表される非構造道路シーンは不規則な境界線と不均一な路面を有しており、現在の地盤区分法ではセグメンテーション誤差が生じる。この問題を解決するために, 関心領域抽出, ポイントクラウド登録, 背景減算の3つの部分を含む, ポイントクラウドマップに基づく地盤区分法を提案する。まず、非構造道路における関心領域を得るための境界意味関係を確立する。次に、ポイントクラウドマップと、意味情報による関心領域のリアルタイムポイントクラウド間の位置関連を確立する。第3に,位置情報に基づくガウス分布に基づく背景モデルを構築し,背景サブストラクション法によるリアルタイムポイントクラウド内の地盤を分割する。実験の結果, グラウンドポイントの正確なセグメンテーション率は99.95%であり, ランニング時間は26msであった。アートグラウンドセグメンテーションアルゴリズムPatchwork++の状態と比較して、グラウンドポイントセグメンテーションの平均精度は7.43%向上し、ランニング時間は17ms向上する。さらに, オープンピット鉱山に代表される非構造道路シナリオに対して, 提案手法を実用的に適用した。

関連論文リスト

FRAME: A Modular Framework for Autonomous Map Merging: Advancements in the Field [12.247977717070773]
本稿では,エゴセントリックなマルチロボット探査における3次元点雲マップの融合について述べる。提案手法は、最先端の場所認識と学習記述子を利用して、地図間の重複を効率的に検出する。提案手法の有効性は,ロボット探査の複数のフィールドミッションを通じて実証された。
論文参考訳（メタデータ） (2024-04-27T20:54:15Z)
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)
Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
論文参考訳（メタデータ） (2022-11-20T07:10:14Z)
Patchwork++: Fast and Robust Ground Segmentation Solving Partial Under-Segmentation Using 3D Point Cloud [7.111443975103329]
いくつかのグラウンドセグメンテーション法では、周囲に応じてパラメータを微調整する必要がある。部分的な部分分割問題は依然として発生しうるが、これは一部の地域でのグラウンドセグメンテーションの失敗を意味する。 3次元LiDARモデルに基づいて,仮想ノイズを効率的に除去する反射ノイズ除去(RNR)を提案する。
論文参考訳（メタデータ） (2022-07-25T06:09:02Z)
Contrastive Boundary Learning for Point Cloud Segmentation [81.7289734276872]
本稿では,ポイントクラウドセグメンテーションのための新しい対照的な境界学習フレームワークを提案する。実験により、CBLは、異なるベースラインを一貫して改善し、バウンダリにおける魅力的なパフォーマンスを達成するのに役立ちます。
論文参考訳（メタデータ） (2022-03-10T10:08:09Z)
Patchwork: Concentric Zone-based Region-wise Ground Segmentation with Ground Likelihood Estimation Using a 3D LiDAR Sensor [0.1657441317977376]
地上のセグメンテーションは、地上の移動プラットフォームがナビゲーションや近隣の物体認識を行うために不可欠である。提案手法は, 未分割問題に対処するために頑健なtextitPatchwork という新しいグラウンドセグメンテーション手法を提案する。
論文参考訳（メタデータ） (2021-08-12T06:52:10Z)
Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文参考訳（メタデータ） (2021-06-27T09:31:49Z)
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)
A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine Markov Random Field [0.32546166337127946]
粗いマルコフ確率場(MRF)法に基づく高速点雲場分割手法を提案する。提案手法は, 地盤のセグメンテーション精度の点で他のアルゴリズムよりも優れていることを示した。
論文参考訳（メタデータ） (2020-11-26T06:07:24Z)
Semantic Segmentation of Surface from Lidar Point Cloud [15.882128188732016]
Lidarセンサーは、ポイントクラウドのフォーマットで、環境のほぼ正確な3Dマップをリアルタイムで生成することができる。データはSLAMに関連する情報を抽出するのに適していますが、ポイントクラウドでの何百万ポイントの処理は非常に高価です。提案手法では,クラウドから意味的にラベル付けされた表面セグメントをリアルタイムで抽出できる高速アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-13T13:06:26Z)
Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。