論文の概要: Textured As-Is BIM via GIS-informed Point Cloud Segmentation

• arxiv url: http://arxiv.org/abs/2411.18898v1
• Date: Thu, 28 Nov 2024 04:13:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:20:19.677939
• Title: Textured As-Is BIM via GIS-informed Point Cloud Segmentation
• Title（参考訳）: GISインフォームドポイントクラウドセグメンテーションによるAs-Is BIMのテクスチャ化
• Authors: Mohamed S. H. Alabassy,
• Abstract要約: 本稿では,鉄道プロジェクトにおけるGISインフォームドとBIM対応のビルディング情報モデルの自動生成の概念実証について述べる。 その結果、コスト削減の可能性が高く、GISデータの非失業資源が内部に浮かび上がっていることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Creating as-is models from scratch is to this day still a time- and money-consuming task due to its high manual effort. Therefore, projects, especially those with a big spatial extent, could profit from automating the process of creating semantically rich 3D geometries from surveying data such as Point Cloud Data (PCD). An automation can be achieved by using Machine and Deep Learning Models for object recognition and semantic segmentation of PCD. As PCDs do not usually include more than the mere position and RGB colour values of points, tapping into semantically enriched Geoinformation System (GIS) data can be used to enhance the process of creating meaningful as-is models. This paper presents a methodology, an implementation framework and a proof of concept for the automated generation of GIS-informed and BIM-ready as-is Building Information Models (BIM) for railway projects. The results show a high potential for cost savings and reveal the unemployed resources of freely accessible GIS data within.
• Abstract（参考訳）: ゼロからas-isモデルを作成することは、現在に至るまで、その高い手作業のため、時間と費用のかかる作業である。 したがって、特に大きな空間範囲を持つプロジェクトは、ポイントクラウドデータ(PCD)のような調査データから意味的にリッチな3Dジオメトリを作成するプロセスを自動化することで利益を得ることができる。 PCDのオブジェクト認識とセマンティックセグメンテーションに機械学習モデルとディープラーニングモデルを使用することで、自動化を実現することができる。 PCDは通常、点の位置とRGBの色値以上のものを含んでいないため、意味的にリッチな地理情報システム(GIS)データにタップすることで、意味のあるas-isモデルを作成するプロセスを強化することができる。 本稿では,鉄道計画のためのGISインフォームドおよびBIM対応ビルディング情報モデル(BIM)の自動生成のための方法論,実装フレームワーク,概念実証について述べる。 その結果、コスト削減の可能性が高く、GISデータの非失業資源が内部に浮かび上がっていることが判明した。

関連論文リスト

• GIS Copilot: Towards an Autonomous GIS Agent for Spatial Analysis [0.0]
  ジェネレーティブAIは、空間分析に有望な機能を提供する。 これらの可能性にもかかわらず、ジェネレーティブAIと確立されたGISプラットフォームの統合はいまだ検討されていない。 GIS Copilot" はGISユーザが自然言語コマンドを使ってQGISと対話して空間分析を行うことを可能にする。
  論文  参考訳（メタデータ） (2024-11-05T15:53:59Z)
• Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach [56.55633052479446]
  Webスケールのビジュアルエンティティ認識は、クリーンで大規模なトレーニングデータがないため、重大な課題を呈している。 本稿では,ラベル検証,メタデータ生成,合理性説明に多モーダル大言語モデル(LLM)を活用することによって,そのようなデータセットをキュレートする新しい手法を提案する。 実験により、この自動キュレートされたデータに基づいてトレーニングされたモデルは、Webスケールの視覚的エンティティ認識タスクで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2024-10-31T06:55:24Z)
• 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)
• Scalable Label-efficient Footpath Network Generation Using Remote Sensing Data and Self-supervised Learning [7.796025683842462]
  この研究は、機械学習モデルを用いてリモートセンシング画像に基づいて、フットパスネットワークを生成するための自動パイプラインを実装している。 教師付き手法は大量のトレーニングデータを必要とするため,アノテーションの要求を減らすために特徴表現学習に自己教師付き手法を用いる。 フットパス多角形を抽出してフットパスネットワークに変換し、地理的情報システムによって容易にロードおよび可視化することができる。
  論文  参考訳（メタデータ） (2023-09-18T02:56:40Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Feature Visualization within an Automated Design Assessment leveraging Explainable Artificial Intelligence Methods [0.0]
  3次元CADデータから駆動されるディープラーニングシステムによって主に活用される自動能力評価について紹介した。 現在の評価システムは、抽象的な特徴に関してCADデータを評価することができるが、システム決定の理由に関する幾何学的な指標は持っていない。 NeuroCADプロジェクト内では、ある抽象的特徴に関連する幾何学的特徴を特定するためにxAIメソッドが使用される。
  論文  参考訳（メタデータ） (2022-01-28T13:31:42Z)
• Automatic labelling of urban point clouds using data fusion [1.8275108630751844]
  本稿では,都市部における街路点雲のセマンティックセマンティックセグメンテーションのためのラベル付きデータセットを半自動生成する手法について述べる。 我々は、標高データや大規模地形図などの公開データソースを用いたデータ融合技術を用いて、ポイントクラウドの一部を自動的にラベル付けする。 これにより、ディープセマンティックセグメンテーションモデルをトレーニングするのに十分なラベル付きデータセットを作成するのに必要な時間が大幅に制限される。
  論文  参考訳（メタデータ） (2021-08-31T11:14:22Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• Generating synthetic photogrammetric data for training deep learning based 3D point cloud segmentation models [0.0]
  I/ITSEC 2019で著者らは、3Dフォトグラムのポイントクラウド/ミームをセグメント化し、オブジェクト情報を抽出する、完全に自動化されたワークフローを発表した。 最終的な目標は、現実的な仮想環境を作成し、シミュレーションに必要な情報を提供することである。
  論文  参考訳（メタデータ） (2020-08-21T18:50:42Z)

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。