論文の概要: Scan-to-BIM for As-built Roads: Automatic Road Digital Twinning from Semantically Labeled Point Cloud Data
- arxiv url: http://arxiv.org/abs/2406.12404v1
- Date: Tue, 18 Jun 2024 08:48:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 19:56:37.295161
- Title: Scan-to-BIM for As-built Roads: Automatic Road Digital Twinning from Semantically Labeled Point Cloud Data
- Title(参考訳): 既設道路用スキャン・ツー・BIM:逐次ラベル付きポイントクラウドデータによる自動道路デジタルツインニング
- Authors: Yuexiong Ding, Mengtian Yin, Ran Wei, Ioannis Brilakis, Muyang Liu, Xiaowei Luo,
- Abstract要約: 意味的ラベル付きポイントクラウドデータ(PCD)に基づく道路gDT自動作成のための新しいスキャン・ツー・ビルディング情報モデリングフレームワークを提案する。
提案手法は, 平均距離誤差1.46cm, 処理速度6.2m, 総距離1200mである。
- 参考スコア(独自算出の注目度): 6.962711946070804
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Creating geometric digital twins (gDT) for as-built roads still faces many challenges, such as low automation level and accuracy, limited asset types and shapes, and reliance on engineering experience. A novel scan-to-building information modeling (scan-to-BIM) framework is proposed for automatic road gDT creation based on semantically labeled point cloud data (PCD), which considers six asset types: Road Surface, Road Side (Slope), Road Lane (Marking), Road Sign, Road Light, and Guardrail. The framework first segments the semantic PCD into spatially independent instances or parts, then extracts the sectional polygon contours as their representative geometric information, stored in JavaScript Object Notation (JSON) files using a new data structure. Primitive gDTs are finally created from JSON files using corresponding conversion algorithms. The proposed method achieves an average distance error of 1.46 centimeters and a processing speed of 6.29 meters per second on six real-world road segments with a total length of 1,200 meters.
- Abstract(参考訳): 建設道路のための幾何学的デジタルツイン(gDT)の作成は、自動化レベルと精度の低下、限られた資産タイプと形状、エンジニアリングエクスペリエンスへの依存など、多くの課題に直面している。
道路面,道路側(傾斜),道路線(マーキング),道路標識,道路灯,ガードレールの6種類の資産を考慮し,意味ラベル付きポイントクラウドデータ(PCD)に基づく自動道路gDT作成のための新しいスキャン・ツー・ビルディング情報モデリング(スキャン・ツー・BIM)フレームワークを提案する。
このフレームワークは、まずセマンティックPCDを空間的に独立したインスタンスまたは部品に分割し、次に、その断面多角形輪郭を代表的幾何学情報として抽出し、新しいデータ構造を用いてJavaScript Object Notation (JSON) ファイルに格納する。
プリミティブgDTは、対応する変換アルゴリズムを使用して、最終的にJSONファイルから生成される。
提案手法は, 平均距離誤差1.46cm, 処理速度6.29m, 総距離1,200mの実空間道路セグメントで処理速度6.29mを実現している。
関連論文リスト
- TEDNet: Twin Encoder Decoder Neural Network for 2D Camera and LiDAR Road Detection [2.8038082486377114]
道路面の正確な推定のために,新しい畳み込みニューラルネットワークモデルを提案する。
我々のモデルは、独立カメラとLiDAR機能抽出にTwin-Decoder Neural Network(TEDNet)を用いている。
このモデルでは、カメラとLiDARデータのバードアイビュー投影を用いて、各ピクセルが路面に属するか否かのセマンティックセグメンテーションを行う。
論文 参考訳(メタデータ) (2024-05-14T08:45:34Z) - AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。
私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文 参考訳(メタデータ) (2023-09-20T09:29:44Z) - A Hybrid Semantic-Geometric Approach for Clutter-Resistant Floorplan
Generation from Building Point Clouds [2.0859227544921874]
本研究では,レーザ走査型ビルディングポイント雲からのクラッタ耐性フロアプラン生成のためのハイブリッドセマンティック・ジオメトリ手法を提案する。
提案手法は,精度,リコール,インターセクション・オーバー・ユニオン(IOU),ベティ誤差,ワープ誤差の計測値を用いて評価する。
論文 参考訳(メタデータ) (2023-05-15T20:08:43Z) - GeoSpark: Sparking up Point Cloud Segmentation with Geometry Clue [25.747471104753426]
GeoSparkは、ネットワークに幾何学的ヒントを組み込んだプラグインモジュールで、機能学習とダウンサンプリングを起動する。
機能集約のために、GeoSparkはローカルポイントと近隣の幾何学的パーティションの両方からネットワークを学習することで改善する。
GeoSparkは、幾何学的分割情報を使用して、ユニークな特徴を持つポイントが保存され、冗長なポイントが融合されるダウンサンプリングプロセスを導く。
論文 参考訳(メタデータ) (2023-03-14T23:30:46Z) - AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware
Transformers [94.11915008006483]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。
本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
論文 参考訳(メタデータ) (2023-01-11T16:14:12Z) - Spatial-Temporal Deep Embedding for Vehicle Trajectory Reconstruction
from High-Angle Video [1.8520147498637294]
車両セグメンテーションのためのインスタンス認識埋め込みをSTMap上に生成するために,画素レベルとインスタンスレベルの両方でパリティ制約を課すモデルを開発した。
デザインされたモデルは、すべてのNGSIM US-101ビデオを処理して完全な車両軌道を生成するために適用される。
論文 参考訳(メタデータ) (2022-09-17T22:32:05Z) - Learning Spatio-Temporal Transformer for Visual Tracking [108.11680070733598]
本稿では,エンコーダ・デコーダ変換器をキーコンポーネントとする新しいトラッキングアーキテクチャを提案する。
メソッド全体がエンドツーエンドであり、コサインウィンドウやバウンディングボックススムーシングのような後処理ステップは不要である。
提案されたトラッカーは、Siam R-CNNよりも6倍速いリアルタイム速度を実行しながら、5つのチャレンジングな短期および長期ベンチマークで最先端のパフォーマンスを実現します。
論文 参考訳(メタデータ) (2021-03-31T15:19:19Z) - Sketch and Scale: Geo-distributed tSNE and UMAP [75.44887265789056]
地理的に分散したデータセット上で機械学習分析を実行することは、急速に発生する問題である。
私たちはSketch and Scale(SnS)という新しいフレームワークを紹介します。
これはCount Sketchデータ構造を利用して、エッジノード上のデータを圧縮し、マスターノード上の縮小サイズスケッチを集約し、サマリ上でバニラtSNEまたはUMAPを実行する。
我々は、この技術が完全に並列で、線形に時間にスケールし、メモリに対数的に分散し、通信し、世界中の複数のデータセンターにまたがる数百万、数十億のデータポイントでデータセットを解析できることを示す。
論文 参考訳(メタデータ) (2020-11-11T22:32:21Z) - PerMO: Perceiving More at Once from a Single Image for Autonomous
Driving [76.35684439949094]
単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。
私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。
我々はこれらのアルゴリズムを自律運転システムに統合した。
論文 参考訳(メタデータ) (2020-07-16T05:02:45Z) - Automatic extraction of road intersection points from USGS historical
map series using deep convolutional neural networks [0.0]
道路交差点のデータは、異なる地理空間的応用と分析に利用されてきた。
我々は、ディープ畳み込みニューラルネットワークを領域ベースCNNと呼ばれるオブジェクト検出タスクに使用する標準パラダイムを採用した。
また、従来のコンピュータビジョンアルゴリズムと比較して、RCNNはより正確な抽出を提供する。
論文 参考訳(メタデータ) (2020-07-14T23:51:15Z) - DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。
我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。
提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文 参考訳(メタデータ) (2020-04-02T17:48:50Z)
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。