Fugu-MT 論文翻訳(概要): Rail Track Extraction from Rasterized Classified Point Clouds Using a Full-Resolution, Fully Convolutional Recurrent Neural Network

論文の概要: Rail Track Extraction from Rasterized Classified Point Clouds Using a Full-Resolution, Fully Convolutional Recurrent Neural Network

arxiv url: http://arxiv.org/abs/2607.06829v1
Date: Tue, 07 Jul 2026 21:51:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-09 22:50:30.229319
Title: Rail Track Extraction from Rasterized Classified Point Clouds Using a Full-Resolution, Fully Convolutional Recurrent Neural Network
Title（参考訳）: 完全解法・完全畳み込みリカレントニューラルネットワークを用いたラスタ化点雲からのレール軌道抽出
Abstract要約: 鉄道資産の効率的な管理と維持には、線路の抽出が不可欠である。本稿では,分類された3次元点群から線路を抽出する新しい手法を提案する。完全畳み込みリカレントニューラルネットワークは、合成されたデータにのみ訓練される。
参考スコア（独自算出の注目度）: 46.84613650829397
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Rail track extraction is essential for effective railway asset management and maintenance, especially in automated inspection and mapping workflows. This paper introduces a novel method for extracting rail tracks from classified 3D point clouds using a fully convolutional recurrent neural network that preserves full spatial resolution and is trained exclusively on synthetically generated data. This approach enhances per-pixel quality and is particularly suited for rail track extraction. The proposed method begins by rasterizing points corresponding to railroad tracks, then applies the neural network to reduce noise and yield a cleaner track representation suitable for vectorization [1]. Subsequent morphological operations further refine the resultant data, enabling accurate track centerline extraction. Next, the extracted centerlines undergo smoothing to eliminate residual irregularities [2, 3]. Finally, the algorithm transfers 3D information from lidar points onto 2D polylines and applies additional vertical smoothing. A single centerline for both tracks is found using the Dynamic Time Warping (DTW) algorithm [4]. The final outcome consists of rail top centerlines and track centerlines derived for rail pairs, with minimal manual intervention. Experimental validation confirms the effectiveness of this method in yielding high-quality rail track extraction.
Abstract（参考訳）: 鉄道線路の抽出は、鉄道資産の管理と維持、特に自動検査とマッピングのワークフローにおいて不可欠である。本稿では,完全空間分解能を保ち,合成データのみにのみ訓練された完全畳み込みリカレントニューラルネットワークを用いて,分類された3次元点群から線路を抽出する新しい手法を提案する。このアプローチはピクセルあたりの品質を高め、特に線路抽出に適している。提案手法は、鉄道線路に対応する点をラスタライズし、ニューラルネットワークを用いて雑音を低減し、ベクトル化に適したよりクリーンなトラック表現 [1] を得る。その後のモルフォロジー操作により、結果のデータはさらに洗練され、正確なトラック中心線抽出が可能となった。次に、抽出された中心線を平滑化して残留不規則を除去する[2,3]。最後に、このアルゴリズムはライダーポイントから2Dポリラインに3D情報を転送し、垂直平滑化を加える。ダイナミック・タイム・ウォーピング(DTW)アルゴリズム[4]を用いて,両トラックの単一中心線を探索する。最終結果はレールトップの中央線と線路の中央線からなり、手動による介入は最小限である。実験により,高品位鉄道軌道抽出における本手法の有効性が確認された。

関連論文リスト

RegFormer++: An Efficient Large-Scale 3D LiDAR Point Registration Network with Projection-Aware 2D Transformer [71.59462491691819]
本稿では,大規模クラウドアライメントを実現するために,RegFormer++と呼ばれる新しいエンド・ツー・エンド差動トランスフォーマネットワークを提案する。元の3D座標を2次元投影位置に充填するため、設計したトランスフォーマーは2次元処理における高効率と3次元幾何情報からの精度の両面から恩恵を受けることができる。 KITTI、NuScenes、Argoverseのデータセットを用いた実験により、我々のモデルは精度と効率の両面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） (2026-03-15T09:03:10Z)
Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
論文参考訳（メタデータ） (2025-08-30T06:02:21Z)
Surg-InvNeRF: Invertible NeRF for 3D tracking and reconstruction in surgical vision [3.7908123458994107]
InvNeRFアーキテクチャは手術シナリオにおける2Dと3Dの両方の追跡に使用される。 2Dポイントトラッキングでは,TTO手法の精度と精度を平均精度で50%近く上回っている。 3Dポイントトラッキングでは、これは最初のTTOアプローチであり、フィードフォワード法を超越し、変形可能なNeRFベースの再構成の利点を取り入れている。
論文参考訳（メタデータ） (2025-08-13T10:20:24Z)
DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
論文参考訳（メタデータ） (2025-08-02T03:15:47Z)
Automated Road Extraction and Centreline Fitting in LiDAR Point Clouds [25.05432314479669]
3次元点雲からの道路情報抽出は都市計画や交通管理に有用である。既存の方法は、しばしば局所的な特徴とカーブからのレーザーの屈折角に依存している。本稿では,LiDARをベースとした地中点雲のトップダウンビューを用いて,道路点の抽出と中心点の嵌合を行う手法を提案する。
論文参考訳（メタデータ） (2025-02-11T11:45:52Z)
Edge-Enabled Real-time Railway Track Segmentation [0.0]
エッジ対応鉄道線路分割アルゴリズムを提案する。ネットワーク構造を最適化し、トレーニング後のモデルを定量化することで、エッジアプリケーションに適したように最適化されている。実験結果から,提案アルゴリズムの精度は83.3%であった。
論文参考訳（メタデータ） (2024-01-21T13:45:52Z)
NEAT: Distilling 3D Wireframes from Neural Attraction Fields [52.90572335390092]
本稿では,3次元再構成セグメントと焦点接合を用いたラインフレーム接合の問題について検討する。 ProjectNEATは、クロスアートマッチングをゼロから行わずに、ジョイントニューラルフィールドとビューを楽しみます。
論文参考訳（メタデータ） (2023-07-14T07:25:47Z)
Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-19T05:43:14Z)
Real-time Rail Recognition Based on 3D Point Clouds [3.0980025155565376]
3次元点雲に基づくリアルタイム鉄道認識手法を提案し, 乱れや不均一密度, 点雲の大量化といった課題を解決する。各ボクセルとレール位置の予測結果を生成するために,マルチスケールニューラルネットワークを提案する。その結果, この手法は直線, 曲線, その他の複雑なトポロジを検出するのに優れた性能を示した。
論文参考訳（メタデータ） (2022-01-08T01:42:02Z)
FLOT: Scene Flow on Point Clouds Guided by Optimal Transport [82.86743909483312]
本稿では,点雲上のシーンフローを推定するFLOT法を提案する。グラフマッチングに関する最近の研究に触発されて、最適な輸送手段からツールを借りてこれらの対応を見つける方法を構築した。私たちの主な発見は、FLOTは、合成および実世界のデータセット上で、最も優れた既存の方法と同様に、実行可能であることです。
論文参考訳（メタデータ） (2020-07-22T00:15:30Z)

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。