論文の概要: CADSpotting: Robust Panoptic Symbol Spotting on Large-Scale CAD Drawings

• arxiv url: http://arxiv.org/abs/2412.07377v2
• Date: Wed, 11 Dec 2024 03:27:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:02:33.106953
• Title: CADSpotting: Robust Panoptic Symbol Spotting on Large-Scale CAD Drawings
• Title（参考訳）: CADSpotting:大規模CAD描画におけるロバストなパノプティクスシンボルスポッティング
• Authors: Jiazuo Mu, Fuyi Yang, Yanshun Zhang, Junxiong Zhang, Yongjian Luo, Lan Xu, Yujiao Shi, Jingyi Yu, Yingliang Zhang,
• Abstract要約: 本稿では,大規模なCAD図面におけるパノプティカルシンボルスポッティングの効率的な方法であるCADSpottingを紹介する。 CADSpottingは、統合された3Dポイントクラウドモデルに基づいて、ジョイントセマンティクス、例えば、パノプティックセグメンテーションを構築し、ロバストな特徴表現を学ぶ。 実験を支援するため,LS-CADという大規模CADデータセットを導入した。
• 参考スコア（独自算出の注目度）: 42.08585210828114
• License:
• Abstract: We introduce CADSpotting, an efficient method for panoptic symbol spotting in large-scale architectural CAD drawings. Existing approaches struggle with the diversity of symbols, scale variations, and overlapping elements in CAD designs. CADSpotting overcomes these challenges by representing each primitive with dense points instead of a single primitive point, described by essential attributes like coordinates and color. Building upon a unified 3D point cloud model for joint semantic, instance, and panoptic segmentation, CADSpotting learns robust feature representations. To enable accurate segmentation in large, complex drawings, we further propose a novel Sliding Window Aggregation (SWA) technique, combining weighted voting and Non-Maximum Suppression (NMS). Moreover, we introduce a large-scale CAD dataset named LS-CAD to support our experiments. Each floorplan in LS-CAD has an average coverage of 1,000 square meter(versus 100 square meter in the existing dataset), providing a valuable benchmark for symbol spotting research. Experimental results on FloorPlanCAD and LS-CAD datasets demonstrate that CADSpotting outperforms existing methods, showcasing its robustness and scalability for real-world CAD applications.
• Abstract（参考訳）: 本稿では,大規模なCAD図面におけるパノプティカルシンボルスポッティングの効率的な方法であるCADSpottingを紹介する。 既存のアプローチはCAD設計におけるシンボルの多様性、スケールのバリエーション、重なり合う要素に苦慮している。 CADSpottingは、座標や色のような本質的な属性によって記述される単一の原始点ではなく、各原始点を濃密な点で表現することでこれらの課題を克服する。 CADSpottingは、統合された3Dポイントクラウドモデルに基づいて、ジョイントセマンティクス、例えば、パノプティックセグメンテーションを構築し、ロバストな特徴表現を学ぶ。 大規模かつ複雑な描画における正確なセグメンテーションを実現するために,重み付き投票と非最大抑圧(NMS)を組み合わせた新しいスライディングウィンドウ集約(SWA)手法を提案する。 さらに,実験を支援するため,LS-CADという大規模CADデータセットも導入した。 LS-CADの各フロアプランの平均カバレッジは1,000平方メートル(既存のデータセットでは100平方メートル)であり、シンボルスポッティング研究のための貴重なベンチマークを提供する。 FloorPlanCADとLS-CADデータセットの実験結果から、CADSpottingは既存の手法よりも優れており、実際のCADアプリケーションの堅牢性とスケーラビリティを示している。

関連論文リスト

• PS-CAD: Local Geometry Guidance via Prompting and Selection for CAD Reconstruction [86.726941702182]
  再構成ネットワークPS-CADに幾何学的ガイダンスを導入する。 我々は、現在の再構成が点雲としての完備モデルと異なる曲面の幾何学を提供する。 第二に、幾何学的解析を用いて、候補面に対応する平面的プロンプトの集合を抽出する。
  論文  参考訳（メタデータ） (2024-05-24T03:43:55Z)
• Pixel-Wise Symbol Spotting via Progressive Points Location for Parsing CAD Images [1.5736099356327244]
  本稿では,CAD図面から変換されたCAD画像からシンボルをラベル付けし,配置する。 CAD画像からシンボルをスポッティングする利点は、ラベル付けの低要件と低コストのアノテーションにある。 キーポイント検出に基づいて,CAD画像中の矩形記号を再描画するシンボルグループ化手法を提案する。
  論文  参考訳（メタデータ） (2024-04-17T01:35:52Z)
• SSCBench: A Large-Scale 3D Semantic Scene Completion Benchmark for Autonomous Driving [87.8761593366609]
  SSCBenchは、広く使用されている自動車データセットのシーンを統合するベンチマークである。 我々は、単眼、三眼、クラウド入力を用いて、性能ギャップを評価するモデルをベンチマークする。 クロスドメインの一般化テストを簡単にするために、さまざまなデータセットにまたがったセマンティックラベルを統一しています。
  論文  参考訳（メタデータ） (2023-06-15T09:56:33Z)
• Circular Accessible Depth: A Robust Traversability Representation for UGV Navigation [21.559882149457895]
  Circular Accessible Depth (CAD)は無人地上車両(UGV)の頑健な走行性表現である 我々は,LiDARが捉えた点雲から空間的特徴を符号化する,注目に基づく多フレーム点雲融合モジュールを備えたニューラルネットワークCADNetを提案する。
  論文  参考訳（メタデータ） (2022-12-28T03:13:32Z)
• Weakly-Supervised End-to-End CAD Retrieval to Scan Objects [25.41908065938424]
  本稿では,意味的および構造的に類似したCADモデルをクエリ3Dスキャンシーンに検索する手法を提案する。 提案手法では,トップモデルとスキャンクエリとの幾何的および知覚的類似性により,エンド・ツー・エンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-03-24T06:30:47Z)
• Patch2CAD: Patchwise Embedding Learning for In-the-Wild Shape Retrieval from a Single Image [58.953160501596805]
  本稿では,2次元画像と3次元CADモデルの結合埋め込み空間をパッチワイズで構築する手法を提案する。 我々のアプローチは、CADが正確に一致しない実世界のシナリオにおける最先端技術よりも堅牢である。
  論文  参考訳（メタデータ） (2021-08-20T20:58:52Z)
• FloorPlanCAD: A Large-Scale CAD Drawing Dataset for Panoptic Symbol Spotting [38.987494792258694]
  FloorPlanCADは1万以上のフロアプランを含む大規模実世界のCAD描画データセットである。 グラフ畳み込みニューラルネットワーク(GCN)と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。 提案したCNN-GCN法は意味記号スポッティングのタスクにおいて最先端(SOTA)性能を達成した。
  論文  参考訳（メタデータ） (2021-05-15T06:01:11Z)
• Mask2CAD: 3D Shape Prediction by Learning to Segment and Retrieve [54.054575408582565]
  本稿では,既存の3次元モデルの大規模データセットを活用し,画像中の物体の3次元構造を理解することを提案する。 本稿では,実世界の画像と検出対象を共同で検出するMask2CADについて,最も類似したCADモデルとそのポーズを最適化する。 これにより、画像内のオブジェクトのクリーンで軽量な表現が生成される。
  論文  参考訳（メタデータ） (2020-07-26T00:08:37Z)
• Symbol Spotting on Digital Architectural Floor Plans Using a Deep Learning-based Framework [76.70609932823149]
  本稿では,ディープラーニング(DL)フレームワークを用いた実世界のデジタル建築フロア計画のシンボルスポッティングに焦点を当てた。 本稿では,DLベースのオブジェクト検出ネットワークに特有な問題を避けるため,タイルに基づくトレーニング戦略を提案する。 実世界のフロアプランにおける実験により,クラス内類似度が低く,図形的複雑性が変化するアーキテクチャシンボルの検出に成功していることが示された。
  論文  参考訳（メタデータ） (2020-06-01T03:16:05Z)
• SceneCAD: Predicting Object Alignments and Layouts in RGB-D Scans [24.06640371472068]
  本稿では,コモディティRGB-Dセンサからスキャンした3D環境の軽量CADによる表現を再構築する手法を提案する。 私たちのキーとなるアイデアは、CADモデルのアライメントとスキャンされたシーンのレイアウト推定の両方を共同で最適化することです。
  論文  参考訳（メタデータ） (2020-03-27T20:17:00Z)

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。