論文の概要: PotholeGuard: A Pothole Detection Approach by Point Cloud Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2311.02641v1
• Date: Sun, 5 Nov 2023 12:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-07 16:26:15.070043
• Title: PotholeGuard: A Pothole Detection Approach by Point Cloud Semantic Segmentation
• Title（参考訳）: PotholeGuard:Point Cloud Semantic SegmentationによるPothole検出アプローチ
• Authors: Sahil Nawale, Dhruv Khut, Daksh Dave, Gauransh Sawhney, Pushkar Aggrawal, Dr. Kailas Devadakar
• Abstract要約: 3Dセマンティック・ポトホールの研究は、しばしば点雲の空間性を見落とし、最適な局所的な特徴のキャプチャとセグメンテーションの精度をもたらす。 本モデルでは,隠れた特徴を効率よく同定し,局所特性を高めるためにフィードバック機構を用いる。 弊社のアプローチは、堅牢で正確な3Dポットホールセグメンテーション(pothole segmentation)のための有望なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Pothole detection is crucial for road safety and maintenance, traditionally relying on 2D image segmentation. However, existing 3D Semantic Pothole Segmentation research often overlooks point cloud sparsity, leading to suboptimal local feature capture and segmentation accuracy. Our research presents an innovative point cloud-based pothole segmentation architecture. Our model efficiently identifies hidden features and uses a feedback mechanism to enhance local characteristics, improving feature presentation. We introduce a local relationship learning module to understand local shape relationships, enhancing structural insights. Additionally, we propose a lightweight adaptive structure for refining local point features using the K nearest neighbor algorithm, addressing point cloud density differences and domain selection. Shared MLP Pooling is integrated to learn deep aggregation features, facilitating semantic data exploration and segmentation guidance. Extensive experiments on three public datasets confirm PotholeGuard's superior performance over state-of-the-art methods. Our approach offers a promising solution for robust and accurate 3D pothole segmentation, with applications in road maintenance and safety.
• Abstract（参考訳）: ポトホール検出は道路の安全とメンテナンスに不可欠であり、伝統的に2次元画像セグメンテーションに依存している。 しかし、既存の3Dセマンティック・ポトホール・セグメンテーションの研究は、しばしば点雲の空間性を見落とし、最適な局所的な特徴のキャプチャとセグメンテーションの精度をもたらす。 本研究は,革新的なポイントクラウドベースのポットホールセグメンテーションアーキテクチャを提案する。 モデルでは,隠れた特徴を効率よく識別し,フィードバック機構を用いて局所特性を向上し,特徴提示を改善する。 我々は,局所的形状関係を理解するための局所的関係学習モジュールを導入し,構造的洞察を高める。 さらに,k近傍アルゴリズムを用いて局所点特徴を洗練し,点雲密度差と領域選択に対応する軽量適応構造を提案する。 共有MLPプールは、深い集約機能を学ぶために統合され、セマンティックデータ探索とセグメンテーションガイダンスを容易にする。 3つの公開データセットに対する大規模な実験により、PotholeGuardの最先端メソッドよりも優れたパフォーマンスが確認された。 提案手法は,道路整備や安全性に応用可能な,堅牢で高精度な3dポットホールセグメンテーションのための有望なソリューションを提供する。

関連論文リスト

• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• 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)
• 3DGTN: 3D Dual-Attention GLocal Transformer Network for Point Cloud Classification and Segmentation [21.054928631088575]
  本稿では,Global Local(GLocal) Transformer Network(3DGTN)と呼ばれる,新たなポイントクラウド表現学習ネットワークを提案する。 提案するフレームワークは,分類データセットとセグメンテーションデータセットの両方で評価される。
  論文  参考訳（メタデータ） (2022-09-21T14:34:21Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• PAPooling: Graph-based Position Adaptive Aggregation of Local Geometry in Point Clouds [15.878533142927102]
  PaPoolingは、新しいグラフ表現を用いて局所点間の空間関係を明示的にモデル化する。 位置適応的な方法で特徴を集約し、集約された特徴の位置感応的な表現を可能にする。 計算オーバーヘッドを最小限に抑えながら、予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-28T07:26:55Z)
• 3D Object Detection Combining Semantic and Geometric Features from Point Clouds [19.127930862527666]
  そこで本研究では,SGNetと呼ばれる2次元物体検出装置を提案する。 VTPMはVoxel-Point-Based Moduleであり、最終的に点空間で3Dオブジェクト検出を実装している。 2021年9月19日時点で、KITTIデータセットでは、SGNetは、難易度の高いサイクリストの3DおよびBEV検出で1位、適度なサイクリストの3D検出では2位であった。
  論文  参考訳（メタデータ） (2021-10-10T04:43:27Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• Semantic Segmentation for Real Point Cloud Scenes via Bilateral Augmentation and Adaptive Fusion [38.05362492645094]
  現実世界の複雑な環境を直感的に捉えることができますが、3Dデータの生の性質のため、機械認識にとって非常に困難です。 我々は、現実に収集された大規模クラウドデータに対して、重要な視覚的タスク、セマンティックセグメンテーションに集中する。 3つのベンチマークで最先端のネットワークと比較することにより,ネットワークの有効性を実証する。
  論文  参考訳（メタデータ） (2021-03-12T04:13:20Z)
• DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
  生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
  論文  参考訳（メタデータ） (2020-07-17T20:21:22Z)

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。