Fugu-MT 論文翻訳(概要): ARCH2S: Dataset, Benchmark and Challenges for Learning Exterior Architectural Structures from Point Clouds

論文の概要: ARCH2S: Dataset, Benchmark and Challenges for Learning Exterior Architectural Structures from Point Clouds

arxiv url: http://arxiv.org/abs/2406.01337v1
Date: Mon, 3 Jun 2024 14:02:23 GMT
ステータス: 処理完了
システム内更新日: 2024-06-05 22:59:31.644658
Title: ARCH2S: Dataset, Benchmark and Challenges for Learning Exterior Architectural Structures from Point Clouds
Title（参考訳）: ARCH2S: ポイントクラウドから外部構造を学ぶためのデータセット、ベンチマーク、課題
Authors: Ka Lung Cheung, Chi Chung Lee,
Abstract要約: 本稿では,セマンティックセグメンテーションのためのセマンティックモデルデータセットとベンチマークを提案する。現実世界の建物の4つの異なる建築目的と、香港のオープンな建築景観を特徴としている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Precise segmentation of architectural structures provides detailed information about various building components, enhancing our understanding and interaction with our built environment. Nevertheless, existing outdoor 3D point cloud datasets have limited and detailed annotations on architectural exteriors due to privacy concerns and the expensive costs of data acquisition and annotation. To overcome this shortfall, this paper introduces a semantically-enriched, photo-realistic 3D architectural models dataset and benchmark for semantic segmentation. It features 4 different building purposes of real-world buildings as well as an open architectural landscape in Hong Kong. Each point cloud is annotated into one of 14 semantic classes.
Abstract（参考訳）: 建築構造物の精密なセグメンテーションは, 各種建築部品の詳細な情報を提供し, 建築環境に対する理解と相互作用を高める。それでも、既存の屋外3Dポイントクラウドデータセットには、プライバシの懸念とデータ取得とアノテーションの高価なコストによる、アーキテクチャ外部に関する限定的で詳細なアノテーションがある。この欠点を克服するために,本研究では,セマンティックセグメンテーションのためのセマンティック・セグメンテーションのためのセマンティック・モデル・データセットとベンチマークを提案する。現実世界の建物の4つの異なる建築目的と、香港のオープンな建築景観を特徴としている。各点クラウドは14のセマンティッククラスのうちの1つに注釈付けされる。

関連論文リスト

Space3D-Bench: Spatial 3D Question Answering Benchmark [49.259397521459114]
Space3D-Benchは、Replicaデータセットのシーンに関連する1000の一般的な空間的質問と回答の集合である。本研究では,事前定義された接地真実解に基づいて,自然言語応答を評価評価するシステムを提案する。最後に,基礎モデルの世界理解をリッチな文脈検索と統合したRAG3D-Chatというベースラインを導入する。
論文参考訳（メタデータ） (2024-08-29T16:05:22Z)
MMScan: A Multi-Modal 3D Scene Dataset with Hierarchical Grounded Language Annotations [55.022519020409405]
本稿では,マルチモーダルな3Dシーンデータセットと階層型言語アノテーションを用いたベンチマーク,MMScanを構築した。結果として得られたマルチモーダルな3Dデータセットは、109kオブジェクトと7.7kリージョン上の1.4Mメタアノテーション付きキャプションと、3Dビジュアルグラウンドと質問応答ベンチマークのための3.04M以上の多様なサンプルを含んでいる。
論文参考訳（メタデータ） (2024-06-13T17:59:30Z)
A Framework for Building Point Cloud Cleaning, Plane Detection and Semantic Segmentation [0.5439020425818999]
私たちは、取得したポイントクラウドデータからアウトリーチを取り除くことに集中しています。クリーニング処理の後、ロバストなRANSACパラダイムを用いて平面検出を行う。結果として得られたセグメントは、建物のアーキテクチャ要素を表す正確で詳細なポイントクラウドを生成することができる。
論文参考訳（メタデータ） (2024-02-01T15:50:40Z)
CityRefer: Geography-aware 3D Visual Grounding Dataset on City-scale Point Cloud Data [15.526523262690965]
都市レベルの視覚的接地のためのCityReferデータセットについて紹介する。データセットは、SensatUrbanの都市シーンに現れる3Dオブジェクトの35kの自然言語記述と、OpenStreetMapと同期する5kのランドマークラベルで構成されている。
論文参考訳（メタデータ） (2023-10-28T18:05:32Z)
Unfinished Architectures: A Perspective from Artificial Intelligence [73.52315464582637]
人工知能(AI)の開発は、未完成のアーキテクチャの完成の可能性を提案する新たな道を開く。 DALL-Eのような最近のツールでは、テキスト記述でガイドされた画像が完成する。本稿では、歴史的寺院の未完成のファサードの完成にこれらの新しいAIツールを使用することについて検討し、建築図学の分野におけるまだ老朽化したスタジアムの分析を行う。
論文参考訳（メタデータ） (2023-03-03T13:05:10Z)
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)
DLA-Net: Learning Dual Local Attention Features for Semantic Segmentation of Large-Scale Building Facade Point Clouds [14.485540292321257]
セマンティックセグメンテーションのための大規模なファサードポイントクラウドベンチマークデータセットを構築した。本稿では,DLA(Dual Local Attention feature)と呼ばれる,DLA(Dual Local Attention feature)を学習可能なアテンションモジュールを提案する。
論文参考訳（メタデータ） (2021-06-01T10:39:11Z)
Synthetic 3D Data Generation Pipeline for Geometric Deep Learning in Architecture [6.383666639192481]
我々は、任意の量の3Dデータと関連する2Dおよび3Dアノテーションを生成する合成データ生成パイプラインを作成する。さまざまなアノテーション、生成されたビルディングとデータセットパラメータをカスタマイズする柔軟性により、このフレームワークは複数のディープラーニングタスクに適している。すべてのコードとデータは公開されています。
論文参考訳（メタデータ） (2021-04-26T13:32:03Z)
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)
Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical Understanding of Outdoor Scene [76.4183572058063]
複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
論文参考訳（メタデータ） (2020-08-11T19:10:32Z)

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。