論文の概要: Point Cloud Segmentation Using Transfer Learning with RandLA-Net: A Case
Study on Urban Areas
- arxiv url: http://arxiv.org/abs/2312.11880v1
- Date: Tue, 19 Dec 2023 06:13:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 16:47:24.969876
- Title: Point Cloud Segmentation Using Transfer Learning with RandLA-Net: A Case
Study on Urban Areas
- Title(参考訳): RandLA-Netを用いた移動学習によるポイントクラウドセグメンテーション:都市部を事例として
- Authors: Alperen Enes Bayar, Ufuk Uyan, Elif Toprak, Cao Yuheng, Tang Juncheng
and Ahmet Alp Kindiroglu
- Abstract要約: 本稿では,都市部における大規模クラウドデータの3次元セグメンテーションのための最先端のニューラルネットワークアーキテクチャであるRandLA-Netの応用について述べる。
この研究は中国三大都市、Chengdu、Jiaoda、Shnzhenに焦点を当て、セグメンテーション性能を高めるためにその特徴を活用している。
- 参考スコア(独自算出の注目度): 0.5242869847419834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban environments are characterized by complex structures and diverse
features, making accurate segmentation of point cloud data a challenging task.
This paper presents a comprehensive study on the application of RandLA-Net, a
state-of-the-art neural network architecture, for the 3D segmentation of
large-scale point cloud data in urban areas. The study focuses on three major
Chinese cities, namely Chengdu, Jiaoda, and Shenzhen, leveraging their unique
characteristics to enhance segmentation performance.
To address the limited availability of labeled data for these specific urban
areas, we employed transfer learning techniques. We transferred the learned
weights from the Sensat Urban and Toronto 3D datasets to initialize our
RandLA-Net model. Additionally, we performed class remapping to adapt the model
to the target urban areas, ensuring accurate segmentation results.
The experimental results demonstrate the effectiveness of the proposed
approach achieving over 80\% F1 score for each areas in 3D point cloud
segmentation. The transfer learning strategy proves to be crucial in overcoming
data scarcity issues, providing a robust solution for urban point cloud
analysis. The findings contribute to the advancement of point cloud
segmentation methods, especially in the context of rapidly evolving Chinese
urban areas.
- Abstract(参考訳): 都市環境は複雑な構造と多様な特徴によって特徴づけられ、ポイントクラウドデータの正確なセグメンテーションが困難な課題となっている。
本稿では,都市における大規模ポイントクラウドデータの3次元セグメンテーションのための最先端ニューラルネットワークアーキテクチャであるrandra-netの適用に関する包括的研究を行う。
この研究は中国三大都市、Chengdu、Jiaoda、Shnzhenに焦点を当て、セグメンテーション性能を高めるためにその特徴を活用している。
これらの特定都市におけるラベル付きデータの可用性の制限に対処するために,転送学習手法を採用した。
我々は、LandLA-Netモデルの初期化のために、Sensat UrbanとTrontoの3Dデータセットから学習重量を転送した。
さらに,対象都市部にモデルを適応させ,正確なセグメンテーション結果を確保するためにクラスリマッピングを行った。
実験結果は,提案手法が3dポイントクラウドセグメンテーションの各領域で80\%のf1スコアを達成することの有効性を示した。
トランスファーラーニング戦略は、データの不足を克服するために重要であり、アーバンポイントクラウド分析のための堅牢なソリューションを提供する。
この結果は、特に急速に発展する中国都市部の文脈において、ポイントクラウドセグメンテーション手法の進歩に寄与している。
関連論文リスト
- Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳(メタデータ) (2023-09-26T23:55:39Z) - Point2Vec for Self-Supervised Representation Learning on Point Clouds [66.53955515020053]
Data2vecをポイントクラウド領域に拡張し、いくつかのダウンストリームタスクで推奨される結果を報告します。
我々は、ポイントクラウド上でData2vecライクな事前トレーニングの可能性を解放するpoint2vecを提案する。
論文 参考訳(メタデータ) (2023-03-29T10:08:29Z) - 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) - Efficient Urban-scale Point Clouds Segmentation with BEV Projection [0.0]
ほとんどのディープポイントクラウドモデルは、直接3Dポイントクラウド上で学習を行います。
本稿では,高密度の鳥眼視射影に3次元点雲を移すことを提案する。
論文 参考訳(メタデータ) (2021-09-19T06:49:59Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳(メタデータ) (2021-07-06T05:08:34Z) - 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) - Toronto-3D: A Large-scale Mobile LiDAR Dataset for Semantic Segmentation
of Urban Roadways [31.619465114439667]
トロント3D(Tronto-3D)は、カナダのトロントにあるMLSシステムによって、セマンティックセグメンテーションのために取得された大規模な都市屋外クラウドデータセットである。
このデータセットは約1kmの点雲を含み、8つのラベル付きオブジェクトクラスを持つ約78.3百万点からなる。
セマンティックセグメンテーションのためのベースライン実験を行い、このデータセットがディープラーニングモデルを効果的に訓練する能力を確認した。
論文 参考訳(メタデータ) (2020-03-18T15:45:06Z)
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。