論文の概要: LOD1 3D City Model from LiDAR: The Impact of Segmentation Accuracy on Quality of Urban 3D Modeling and Morphology Extraction
- arxiv url: http://arxiv.org/abs/2505.14747v1
- Date: Tue, 20 May 2025 09:11:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-22 15:42:58.671866
- Title: LOD1 3D City Model from LiDAR: The Impact of Segmentation Accuracy on Quality of Urban 3D Modeling and Morphology Extraction
- Title（参考訳）: LiDARによるLOD13D都市モデル:都市3Dモデルの品質と形態素抽出に及ぼすセグメンテーション精度の影響
- Authors: Fatemeh Chajaei, Hossein Bagheri,
- Abstract要約: 本研究は, レベル・オブ・ディテール1(LOD1)における正確な3次元建築復元のためのLiDARデータの可能性を評価することに焦点を当てる。
4つの深いセマンティックセグメンテーションモデル、U-Net、Attention U-Net、U-Net3+、DeepLabV3+を用いて、LiDARデータからビルディングフットプリントを抽出するためにトランスファーラーニングを適用した。
その結果、U-Net3+とAttention U-Netは、それぞれ0.833と0.814のIoUスコアを達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Three-dimensional reconstruction of buildings, particularly at Level of Detail 1 (LOD1), plays a crucial role in various applications such as urban planning, urban environmental studies, and designing optimized transportation networks. This study focuses on assessing the potential of LiDAR data for accurate 3D building reconstruction at LOD1 and extracting morphological features from these models. Four deep semantic segmentation models, U-Net, Attention U-Net, U-Net3+, and DeepLabV3+, were used, applying transfer learning to extract building footprints from LiDAR data. The results showed that U-Net3+ and Attention U-Net outperformed the others, achieving IoU scores of 0.833 and 0.814, respectively. Various statistical measures, including maximum, range, mode, median, and the 90th percentile, were used to estimate building heights, resulting in the generation of 3D models at LOD1. As the main contribution of the research, the impact of segmentation accuracy on the quality of 3D building modeling and the accuracy of morphological features like building area and external wall surface area was investigated. The results showed that the accuracy of building identification (segmentation performance) significantly affects the 3D model quality and the estimation of morphological features, depending on the height calculation method. Overall, the UNet3+ method, utilizing the 90th percentile and median measures, leads to accurate height estimation of buildings and the extraction of morphological features.
- Abstract（参考訳）: 特にレベル・オブ・ディーテール1(LOD1)における建築物の3次元再構築は、都市計画、都市環境研究、最適化された交通網の設計など、様々な用途において重要な役割を担っている。
本研究は,LOD1における正確な3次元構造復元のためのLiDARデータの可能性を評価し,これらのモデルから形態的特徴を抽出することに焦点を当てた。
4つの深いセマンティックセグメンテーションモデル、U-Net、Attention U-Net、U-Net3+、DeepLabV3+を用いて、LiDARデータからビルディングフットプリントを抽出するためにトランスファーラーニングを適用した。
その結果、U-Net3+とAttention U-Netは、それぞれ0.833と0.814のIoUスコアを達成した。
建物の高さを推定するために, 最大, 範囲, モード, 中央値, および90分の1の統計測定値を用いて, LOD1における3次元モデルの生成を行った。
本研究の主な貢献として, 3次元建築モデルの品質に対するセグメンテーション精度の影響と, 建築面積や外壁面面積などの形態的特徴の精度について検討した。
その結果, 建物識別精度(セグメンテーション性能)は, 高さ計算法によって3次元モデル品質と形態的特徴の推定に大きく影響していることがわかった。
UNet3+法は, 建物の高さを正確に推定し, 形態的特徴を抽出する。
関連論文リスト
- Study of Dropout in PointPillars with 3D Object Detection [0.0]
ディープラーニング技術を活用してLiDARデータを解釈する。
本研究では,ポイントピラーモデルの性能を様々なドロップアウト率で向上させる手法を提案する。
論文 参考訳（メタデータ） (2024-09-01T09:30:54Z) - Analyzing the impact of semantic LoD3 building models on image-based vehicle localization [0.1398098625978622]
本稿では,高精細なセマンティック3Dビルディングモデルに対応する画像特徴を活かして,カーローカライズのための新しいアプローチを提案する。
この研究は、レベル・オブ・ディテール2(LoD2)とレベル・オブ・ディテール3(LoD3)モデルを用いて結果を評価し、ファサードに富んだモデルの方が精度が高いかどうかを分析する。
論文 参考訳（メタデータ） (2024-07-31T08:33:41Z) - Estimate the building height at a 10-meter resolution based on Sentinel data [5.080045077714947]
本研究では,空間-スペクトル-時間的特徴データベースのセットを構築した。
これは、Sentinel-1によって提供されるSARデータ、Sentinel-2によって提供される光学データ、および建築フットプリントによって提供される形状データを組み合わせている。
時間尺度上の統計指標を抽出し、160個の特徴からなる豊富なデータベースを形成する。
論文 参考訳（メタデータ） (2024-05-02T03:53:59Z) - FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。
本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
論文 参考訳（メタデータ） (2023-12-28T14:52:07Z) - Exploring and Improving the Spatial Reasoning Abilities of Large
Language Models [0.0]
LLM(Large Language Models)は、シーケンスモデリングのツールである。
本稿では,ChatGPT-3.5,ChatGPT-4,Llama 2 7Bの3次元ロボット軌道データと対向する性能について検討する。
3Dトラジェクトリデータに33%の改善をもたらす新しいプレフィックスベースのプロンプト機構を導入する。
論文 参考訳（メタデータ） (2023-12-02T07:41:46Z) - Building3D: An Urban-Scale Dataset and Benchmarks for Learning Roof
Structures from Point Clouds [4.38301148531795]
既存の3Dモデリング用のデータセットは主に家具や車などの一般的なオブジェクトに焦点を当てている。
エストニアの16都市約998Km2をカバーする,160万以上の建物と対応する点雲,メッシュ,ワイヤフレームモデルからなる都市規模データセットを提案する。
実験結果から,ビルディング3Dには高いクラス内分散,データ不均衡,大規模ノイズといった課題があることが示唆された。
論文 参考訳（メタデータ） (2023-07-21T21:38:57Z) - 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) - Towards Multimodal Multitask Scene Understanding Models for Indoor
Mobile Agents [49.904531485843464]
本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。
MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。
MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。
MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
論文 参考訳（メタデータ） (2022-09-27T04:49:19Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic
Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。
粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。
大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文 参考訳（メタデータ） (2020-07-16T18:27:08Z)
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。