論文の概要: ACZ-GSeg: Adaptive Concentric Zone-based Two-stage Ground Segmentation for LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2607.12110v1
• Date: Mon, 13 Jul 2026 19:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.957047
• Title: ACZ-GSeg: Adaptive Concentric Zone-based Two-stage Ground Segmentation for LiDAR Point Clouds
• Title（参考訳）: ACZ-GSeg:LiDAR点雲に対する適応型同心域型2段グラウンドセグメンテーション
• Abstract要約: 狭い長距離点雲, 地すべり, 複雑な道路シナリオにおける非地盤構造からの干渉による地すべりの過密化 本稿では,アダプティブ・コセンティブ・ゾーンモデルに基づく2段階のグラウンドセグメンテーション手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ground segmentation is a fundamental prerequisite for autonomous navigation, environmental perception, and object detection in ground mobile platforms. To address the under-segmentation of ground points caused by sparse long-range point clouds, ground undulations, and interference from non-ground structures in complex road scenarios, this paper proposes a two-stage ground segmentation method based on the Adaptive Concentric Zone Model. First, an Adaptive Concentric Zone Model is constructed to dynamically determine the number of sectors in each ring, thereby forming local zones with more balanced point distributions. Based on this model, a two-stage ground segmentation method is developed. In the coarse segmentation stage, a lowest-height seed constraint and height-decay weighting are introduced to establish a weighted principal component analysis plane fitting model, from which ground candidate points are extracted. In the fine segmentation stage, a reflectance intensity consistency constraint is employed to distinguish high-confidence ground points from uncertain points, and the uncertain points are further refined based on the local height stability of high-confidence neighborhoods. Experimental results show that the proposed method achieves Precision, Recall, and F1-score values of 99.12%, 96.24%, and 97.66% on the SemanticKITTI dataset, and 98.72%, 100.00%, and 99.36%, respectively, on a self-collected point cloud acquired using a RUBY-PLUS. The results demonstrate that the proposed method can effectively adapt to the range-dependent distribution characteristics of LiDAR point clouds, which are dense at near ranges and sparse at far ranges. It reduces the misclassification of non-ground points while maintaining ground point recall, thereby effectively improving the stability of ground segmentation.
• Abstract（参考訳）: グラウンドセグメンテーションは、グラウンドモバイルプラットフォームにおける自律ナビゲーション、環境認識、オブジェクト検出の基本的な前提条件である。 本稿では, 複雑な道路シナリオにおいて, 狭い長距離点雲, 地すべり, 非地盤構造からの干渉による地すべりの過疎化に対処するため, 適応型同心域モデルに基づく2段階の地すべり法を提案する。 まず、適応同心ゾーンモデルを構築し、各環のセクター数を動的に決定し、よりバランスの取れた点分布を持つ局所ゾーンを形成する。 このモデルに基づいて,2段階のグラウンドセグメンテーション法を開発した。 粗いセグメンテーション段階では、最低高さの種子制約と高さのデカイ重み付けを導入し、重み付けされた主成分分析平面フィッティングモデルを構築し、そこから地盤候補点を抽出する。 微細セグメンテーション段階では、高信頼接地点と不確実点とを区別するために反射強度一貫性制約を用い、高信頼近傍の局所的な高さ安定性に基づいて不確実点をさらに洗練する。 実験の結果,RUBY-PLUSを用いて取得した自着点クラウド上で,SemanticKITTIデータセットで99.12%,96.24%,97.66%,98.72%,100.00%,99.36%の精度でF1スコア値が得られた。 提案手法は, 近距離で密度が高く, 遠距離でスパースであるLiDAR点雲の分布特性に効果的に適応できることを示す。 地中リコールを維持しながら非地中リコールの誤分類を低減し, 地中セグメンテーションの安定性を効果的に向上する。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• FugSeg: Fast Uncertainty-aware Ground Segmentation for 3D Point Cloud [5.833408604400841]
  FugSegは高速不確実性認識地上分割法である。 極格子マップが点雲表現として採用され、LiDARタイプ間の一般化性を保証する。 内部および横断的な接地ラベリング戦略は、直接見える接地細胞だけでなく、孤立または閉鎖されている細胞も識別する。 点レベルの接地セグメンテーションを実現するために, きめ細かい地盤標高推定法を導入する。
  論文  参考訳（メタデータ） (2026-05-09T13:44:48Z)
• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• A Ground Segmentation Method Based on Point Cloud Map for Unstructured Roads [10.367730390937622]
  関心領域抽出, ポイントクラウド登録, バックグラウンドサブトラクションの3つの部分を含む, ポイントクラウドマップに基づくグラウンドセグメンテーション手法を提案する。 実験の結果, グラウンドポイントの正しいセグメンテーション率は99.95%であり, ランニング時間は26msであることがわかった。 提案手法は,オープンピット鉱山に代表される非構造道路シナリオに適用可能である。
  論文  参考訳（メタデータ） (2023-09-15T05:23:16Z)
• A Segment-Wise Gaussian Process-Based Ground Segmentation With Local Smoothness Estimation [3.42658286826597]
  地上と前方の表面の正確な情報モデルは、航行と障害物回避に不可欠である。 乱れや荒れの場面では、地表の特徴と機能の関係は地面の異なる領域で異なる可能性がある。 局所的な滑らかさを推定するセグメントワイズGPに基づくグラウンドセグメンテーション法を提案する。
  論文  参考訳（メタデータ） (2022-10-19T12:42:21Z)
• 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)
• Patchwork: Concentric Zone-based Region-wise Ground Segmentation with Ground Likelihood Estimation Using a 3D LiDAR Sensor [0.1657441317977376]
  地上のセグメンテーションは、地上の移動プラットフォームがナビゲーションや近隣の物体認識を行うために不可欠である。 提案手法は, 未分割問題に対処するために頑健なtextitPatchwork という新しいグラウンドセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2021-08-12T06:52:10Z)
• A Fast Point Cloud Ground Segmentation Approach Based on Coarse-To-Fine Markov Random Field [0.32546166337127946]
  粗いマルコフ確率場(MRF)法に基づく高速点雲場分割手法を提案する。 提案手法は, 地盤のセグメンテーション精度の点で他のアルゴリズムよりも優れていることを示した。
  論文  参考訳（メタデータ） (2020-11-26T06:07:24Z)

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。