論文の概要: Integrating BIM and UAV-based photogrammetry for Automated 3D Structure Model Segmentation

• arxiv url: http://arxiv.org/abs/2510.17609v1
• Date: Mon, 20 Oct 2025 14:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.489975
• Title: Integrating BIM and UAV-based photogrammetry for Automated 3D Structure Model Segmentation
• Title（参考訳）: 自動3次元構造モデルセグメンテーションのためのBIMとUAVベースの光線量計の統合
• Authors: Siqi Chen, Shanyue Guan,
• Abstract要約: 本稿では,3Dポイントクラウドの自動セグメンテーションのための機械学習ベースのフレームワークを提案する。 提案手法では,実際のUAVスキャン点雲とビルディングインフォメーション・モデリングから生成された合成データの相補的強度を利用する。 鉄道線路データセットの検証は、レールや交差線などの主要部品の同定と分断において高い精度を示した。
• 参考スコア（独自算出の注目度）: 5.291432638550888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The advancement of UAV technology has enabled efficient, non-contact structural health monitoring. Combined with photogrammetry, UAVs can capture high-resolution scans and reconstruct detailed 3D models of infrastructure. However, a key challenge remains in segmenting specific structural components from these models-a process traditionally reliant on time-consuming and error-prone manual labeling. To address this issue, we propose a machine learning-based framework for automated segmentation of 3D point clouds. Our approach uses the complementary strengths of real-world UAV-scanned point clouds and synthetic data generated from Building Information Modeling (BIM) to overcome the limitations associated with manual labeling. Validation on a railroad track dataset demonstrated high accuracy in identifying and segmenting major components such as rails and crossties. Moreover, by using smaller-scale datasets supplemented with BIM data, the framework significantly reduced training time while maintaining reasonable segmentation accuracy. This automated approach improves the precision and efficiency of 3D infrastructure model segmentation and advances the integration of UAV and BIM technologies in structural health monitoring and infrastructure management.
• Abstract（参考訳）: UAV技術の進歩により、効率的な非接触構造型健康モニタリングが可能になった。 光度計と組み合わせることで、UAVは高解像度スキャンをキャプチャし、インフラの詳細な3Dモデルを再構築することができる。 しかし、これらのモデルから特定の構造コンポーネントを分割する際の重要な課題は残る。 この問題に対処するため、我々は3Dポイントクラウドの自動セグメンテーションのための機械学習ベースのフレームワークを提案する。 提案手法では,ビルディング情報モデリング(BIM)から生成された実世界のUAVスキャン点雲と合成データの相補的強度を用いて,手動ラベリングの限界を克服する。 鉄道線路データセットの検証は、レールや交差線などの主要部品の同定と分断において高い精度を示した。 さらに、BIMデータで補足された小規模データセットを使用することで、適切なセグメンテーション精度を維持しながら、トレーニング時間を著しく短縮する。 この自動アプローチは、3次元インフラストラクチャモデルセグメンテーションの精度と効率を改善し、構造的健康モニタリングとインフラ管理にUAVとBIM技術を統合する。

関連論文リスト

• Empowering Bridge Digital Twins by Bridging the Data Gap with a Unified Synthesis Framework [6.238251307666132]
  本稿では,3次元ブリッジデータを生成するための体系的枠組みを提案する。 コンポーネントレベルのインスタンスアノテーション、高忠実度カラー、正確な正規ベクトルを特徴とするポイントクラウドを自動的に生成できる。 実世界のブリッジセマンティックセマンティックセグメンテーションにおいて,合成データを用いてトレーニングしたPointNet++モデルにより,平均的なmIoU(Intersection over Union)が84.2%に達することを示す。
  論文  参考訳（メタデータ） (2025-07-08T09:34:55Z)
• MetaSSC: Enhancing 3D Semantic Scene Completion for Autonomous Driving through Meta-Learning and Long-sequence Modeling [3.139165705827712]
  セマンティックシーン補完(SSC)のためのメタラーニングに基づく新しいフレームワークであるMetaSSCを紹介する。 我々のアプローチは、不完全領域のセマンティックスと幾何学を探求することを目的とした、ボクセルに基づくセマンティックセマンティックセマンティクス(SS)事前訓練タスクから始まる。 シミュレーションされた協調認識データセットを用いて、集約されたセンサデータを用いて1台の車両の知覚訓練を監督する。 このメタ知識は、二重フェーズのトレーニング戦略を通じてターゲットドメインに適応し、効率的なデプロイメントを可能にする。
  論文  参考訳（メタデータ） (2024-11-06T05:11:25Z)
• fVDB: A Deep-Learning Framework for Sparse, Large-Scale, and High-Performance Spatial Intelligence [55.582429009401956]
  fVDBは、大規模な3Dデータのディープラーニングのための新しいフレームワークである。 私たちのフレームワークは、既存のパイプラインとの相互運用性を可能にするPyTorchと完全に統合されています。
  論文  参考訳（メタデータ） (2024-07-01T20:20:33Z)
• 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D Point Clouds [95.54285993019843]
  本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。 本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
  論文  参考訳（メタデータ） (2022-11-01T20:59:38Z)
• Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in Driving Scenes [82.4186966781934]
  Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。 Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。 無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-18T03:48:58Z)
• 3D Spatial Recognition without Spatially Labeled 3D [127.6254240158249]
  Weakly-supervised framework for Point cloud Recognitionを紹介する。 We show that WyPR can detected and segment objects in point cloud data without access any space labels at training time。
  論文  参考訳（メタデータ） (2021-05-13T17:58:07Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)

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。