論文の概要: Semantic-ITC: A Frame-wise Indoor Mobile Laser Scanning Dataset and Benchmark for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2609.18493v1
- Date: Wed, 16 Sep 2026 11:30:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.770848
- Title: Semantic-ITC: A Frame-wise Indoor Mobile Laser Scanning Dataset and Benchmark for Semantic Segmentation
- Title（参考訳）: Semantic-ITC: フレームワイド屋内移動体レーザー走査データとセマンティックセグメンテーションベンチマーク
- Abstract要約: 本稿では,フレームワイド屋内MLSセマンティックセマンティックセグメンテーションのための最初の公開データセットとベンチマークを紹介する。
データセットには52の屋内シーケンス、79,108のMLSフレーム、および教室、廊下、会議室、オフィス、研究エリアで収集された133億のラベル付きポイントが含まれている。
ラベルは、構造要素、家具、室内機器、植生、その他の屋内オブジェクトを含む16のセマンティッククラスを使用して、各フレームで測定されたLiDARポイントに直接アタッチされる。
- 参考スコア（独自算出の注目度）: 4.3442456903491316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic labels for indoor mobile laser scanning (MLS) frames remain largely absent from current point cloud semantic segmentation benchmarks, which mainly focus on reconstructed indoor scenes or outdoor LiDAR perception. This paper introduces Semantic-ITC, to the best of our knowledge the first public dataset and benchmark for frame-wise indoor MLS semantic segmentation. The dataset contains 52 indoor sequences, 79,108 MLS frames, and 1.23 billion labeled points collected in classrooms, corridors, meeting rooms, offices, and study areas. Labels are attached directly to measured LiDAR points in each frame using 16 semantic classes covering structural elements, furniture, room equipment, vegetation, and other indoor objects. Semantic-ITC preserves the sparse, non-uniform, and frame-wise sampling pattern of indoor MLS, making it distinct from scene-level reconstructed point clouds and mesh-based indoor datasets. The annotations are produced by a hybrid workflow that combines predictions from a visual foundation model applied to synchronized RGB images, structural information from BIM, and manual refinement, with the final labels assigned to the original LiDAR frames. A single-frame benchmark is provided, and the best baseline reaches 79.27\% mIoU. Remaining errors are concentrated around object boundaries and ambiguous indoor classes, indicating the challenges of indoor MLS segmentation under sparse frame geometry and long-tailed class distributions. The dataset provides a public benchmark for evaluating semantic segmentation directly on measured indoor MLS frames and supports future studies on frame-wise indoor MLS semantic segmentation.
- Abstract（参考訳）: 屋内移動レーザースキャン(MLS)フレームのセマンティックラベルは、主に再構成された屋内シーンや屋外LiDAR知覚に焦点を当てた現在のクラウドセマンティックセグメンテーションベンチマークからほとんど欠落している。
本稿では,Semantic-ITCを紹介し,フレームワイド屋内MLSセマンティックセマンティックセマンティックスセグメンテーションのための最初の公開データセットとベンチマークについて述べる。
データセットには52の屋内シーケンス、79,108のMLSフレーム、および教室、廊下、会議室、オフィス、研究エリアで収集された133億のラベル付きポイントが含まれている。
ラベルは、構造要素、家具、室内機器、植生、その他の屋内オブジェクトを含む16のセマンティッククラスを使用して、各フレームで測定されたLiDARポイントに直接アタッチされる。
Semantic-ITCは、屋内MLSのスパース、非一様、フレームワイドサンプリングパターンを保存し、シーンレベルの再構成点雲とメッシュベースの屋内データセットとを区別する。
アノテーションは、同期されたRGB画像、BIMの構造情報、手作業による改善に適用される視覚基盤モデルからの予測と、元のLiDARフレームに割り当てられた最終的なラベルを組み合わせたハイブリッドワークフローによって作成される。
シングルフレームのベンチマークが提供され、最高のベースラインは79.27\% mIoUに達する。
残留誤差は対象の境界や不明瞭な屋内クラスを中心に集中しており、スパースフレーム形状と長い尾のクラス分布の下での室内MLSセグメンテーションの課題を示している。
このデータセットは、測定された屋内MLSフレームに直接セマンティックセグメンテーションを評価するための公開ベンチマークを提供し、フレームワイド屋内MLSセマンティックセグメンテーションに関する将来の研究をサポートする。
関連論文リスト
- SSC-Priors: Exploring Semantic and Visibility Priors to Boost Lidar Semantic Scene Completion [61.665449818739155]
本稿では,ライダー・セマンティック・シーン・コンプリート(SSC)のための既存ネットワークの性能向上戦略について検討する。
我々は、既存のアプローチを改善するために、意味的な擬似ラベルとセンサ可視情報を使用する。
そこで本研究では,既成のSSCモデルの性能を著しく向上させ,意味的な擬似ラベルを用いた入力点雲の実現について述べる。
論文 参考訳（メタデータ） (2026-09-15T16:37:46Z) - From Geometric Labels to Semantic Understanding of Indoor Building Components Using Multimodal Large Language Models [1.5036675956983638]
Building-MLLMは、屋内コンポーネントのためのクラウド中心のマルチモーダルな大規模言語モデルである。
単純な認識、複雑なキャプション、およびマルチエンジニアリング質問回答タスクにまたがる応答を生成する。
論文 参考訳（メタデータ） (2026-07-04T02:18:03Z) - Qwen3-VL-Seg: Unlocking Open-World Referring Segmentation with Vision-Language Grounding [26.30521907946121]
Qwen3-VL-SegはMLLM予測ボックスを意味論的基盤構造として扱うパラメータ効率のよいフレームワークである。
その中核は、軽量のボックス誘導マスクデコーダで、マルチスケールの空間的特徴注入、空間意味的クエリ構築、ボックス誘導高解像度ピクセル融合を組み合わせている。
Qwen3-VL-Segはクローズドセットとオープンワールド設定で強く機能することを示す。
論文 参考訳（メタデータ） (2026-05-08T02:20:40Z) - From Indoor to Open World: Revealing the Spatial Reasoning Gap in MLLMs [65.04549036809557]
我々は、ステレオカメラ、LiDAR、IMU/GPSセンサーで撮影された歩行者の視線映像から構築したベンチマークを紹介する。
このデータセットは、計量的に正確な3D情報を提供し、空間的推論質問の自動生成を可能にする。
評価の結果、構造化屋内ベンチマークで観測された性能向上は、オープンワールド環境では消滅することが明らかとなった。
論文 参考訳（メタデータ） (2025-12-22T18:58:12Z) - FloorplanQA: A Benchmark for Spatial Reasoning in LLMs using Structured Representations [78.65988445433844]
FloorplanQAは、大規模言語モデルにおける空間的推論を評価するための診断ベンチマークである。
このベンチマークでは、距離測定、可視性、経路探索、制約空間内のオブジェクト配置など、中核的な空間的タスクをカバーしている。
論文 参考訳（メタデータ） (2025-07-10T11:16:48Z) - Semantic Layering in Room Segmentation via LLMs [4.3154860982892425]
SeLRoSは、Large Language Models (LLM) と従来の2次元マップベースのセグメンテーションを統合することによって、セマンティックルームセグメンテーションの高度な手法である。
セグメント化された各領域に関する複雑な情報を解釈し、整理する新しいフレームワークを提供する。
SeLRoSの有効性は30種類の異なる3D環境にまたがって検証される。
論文 参考訳（メタデータ） (2024-03-19T17:23:44Z) - A Hybrid Semantic-Geometric Approach for Clutter-Resistant Floorplan
Generation from Building Point Clouds [2.0859227544921874]
本研究では,レーザ走査型ビルディングポイント雲からのクラッタ耐性フロアプラン生成のためのハイブリッドセマンティック・ジオメトリ手法を提案する。
提案手法は,精度,リコール,インターセクション・オーバー・ユニオン(IOU),ベティ誤差,ワープ誤差の計測値を用いて評価する。
論文 参考訳（メタデータ） (2023-05-15T20:08:43Z) - Novel Class Discovery in Semantic Segmentation [104.30729847367104]
セマンティックにおける新しいクラス発見(NCDSS)について紹介する。
ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。
NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。
本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
論文 参考訳（メタデータ） (2021-12-03T13:31:59Z) - Boundary Knowledge Translation based Reference Semantic Segmentation [62.60078935335371]
視覚境界知識翻訳を行うための参照参照セグメンテーションネットワーク(Ref-Net)を導入する。
人間の認識機構にインスパイアされたRTMTMは、参照オブジェクトの特徴に基づいて、同じカテゴリオブジェクトをセグメント化するだけに考案されている。
Ref-Netは、数十の細かい注釈付きサンプルをガイダンスとして、完全に教師された6つのデータセットのメソッドと同等の結果を得る。
論文 参考訳（メタデータ） (2021-08-01T07:40:09Z) - A Benchmark for LiDAR-based Panoptic Segmentation based on KITTI [44.79849028988664]
本稿では,レーザーによるパノプティックセグメンテーションのトレーニングと評価のためのセマンティックキッティの拡張について述べる。
データを提供し、時間的に一貫したインスタンス情報で与えられたセマンティックアノテーションを強化するために必要な処理手順について議論する。
我々は、最先端LiDARに基づくセマンティックセグメンテーションアプローチと最先端検出器を組み合わせた2つの強力なベースラインを提案する。
論文 参考訳（メタデータ） (2020-03-04T23:44:40Z)
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。