論文の概要: Learning-Based 3D Reconstruction of Power Networks from Aerial Point Clouds

• arxiv url: http://arxiv.org/abs/2609.23915v1
• Date: Sun, 20 Sep 2026 22:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.017338
• Title: Learning-Based 3D Reconstruction of Power Networks from Aerial Point Clouds
• Title（参考訳）: 航空点雲からの電力ネットワークの学習に基づく3次元再構成
• Abstract要約: 本稿では,大規模空中LiDARから高次物理メタデータを抽出し,オーバヘッド電力ユーティリティネットワークトポロジを再構築するエンド・ツー・エンドのフレームワークを提案する。 検証されたワイヤごとに、エンドポイント導体高さ、接地、サグ関連最低点特徴、導体配置、ワイヤ幅など、ユーティリティインフラストラクチャーの幾何学に関する属性が計算される。 複数の実世界の航空LiDARデータセットによる評価では、位相再構成のためのデシメータレベルの終点高さの精度と、約9%の相対的な改善が示されている。
• 参考スコア（独自算出の注目度）: 4.152879929287123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an end-to-end framework for reconstructing overhead power utility network topology and extracting span-level physical metadata from large-scale aerial LiDAR. The pipeline begins with semantic segmentation of the input point cloud using an improved KPConv-based model, in which data sampling and loss functions are adapted to emphasize pole and conductor (wire) classes. Network topology inference then proceeds in two stages: (i) pole instances are obtained by clustering pole-class points and validating candidates using geometric criteria, including height and verticality estimated via PCA, and (ii) candidate pole pairs are evaluated using a heuristic method and a lightweight ResNet-based classifier on 2D top-view projections of pole and wire point distributions to determine whether a physical conductor span exists. By explicitly classifying candidate spans, the approach mitigates common failure modes of heuristic connectivity rules in dense or cluttered scenes and under partial wire observation. For each validated wire, attributes regarding utility infrastructure geometry are computed, including endpoint conductor heights, ground elevation, sag-related lowest-point features, conductor arrangement, and wire width. Evaluation on multiple real-world aerial LiDAR datasets demonstrates decimeter-level endpoint height accuracy and approximately 9% relative improvement in recall for topology reconstruction compared to heuristic nearest-neighbor baselines, with larger gains in complex layouts.
• Abstract（参考訳）: 本稿では,大規模空中LiDARから高次物理メタデータを抽出し,オーバヘッド電力ユーティリティネットワークトポロジを再構築するエンド・ツー・エンドのフレームワークを提案する。 パイプラインは、改良されたKPConvベースのモデルを使用して入力ポイントクラウドのセマンティックセグメンテーションから始まり、データサンプリングと損失関数が極と導体(ワイヤ)クラスを強調するように適応される。 ネットワークトポロジの推論は次の2段階に進む。 一 柱級点をクラスタリングし、PCAで推定した高さ及び垂直度を含む幾何基準を用いて候補を検証することにより、極インスタンスを得る。 (II)ポールとワイヤポイントの2次元トップビュー投影に対するヒューリスティック法とライトウェイトなResNetに基づく分類器を用いて候補極対の評価を行い、物理的導体が存在するかどうかを判定する。 候補を明示的に分類することで、密集したシーンや散在したシーンや部分的なワイヤ観察下でのヒューリスティック接続ルールの一般的な障害モードを緩和する。 検証された各ワイヤに対して、エンドポイント導体の高さ、地面の高さ、サグ関連最低点特徴、導体配置、ワイヤ幅など、ユーティリティインフラストラクチャーの幾何学に関する属性が計算される。 複数の実世界の航空LiDARデータセットによる評価では、トポロジの復元において、ヒューリスティックな近接するベースラインに比べて、ディシメータレベルのエンドポイント高さの精度と約9%の相対的な改善が示され、複雑なレイアウトが向上した。

関連論文リスト

• Gaussian Linear Functional Manifold Method for Massive Point Cloud Data [5.1885370045206916]
  本稿では,連続表面トポグラフィーを表す物理インフォームド統計フレームワークであるGaussian Linear Functional Manifold (GLFM)を紹介する。 GLFMはグラウンドポイントを自動的にフィルタリングし、形態的特徴を抽出し、フィールド検証されたグラウンド真理に対して0.9933の調整されたランドインデックス(ARI)を達成する。 このフレームワークは、大規模クラウド分析のための厳格で解釈可能なスケーラブルな基盤を提供する。
  論文  参考訳（メタデータ） (2026-09-04T21:43:16Z)
• 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)
• 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)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• RoIPoly: Vectorized Building Outline Extraction Using Vertex and Logit Embeddings [5.093758132026397]
  航空画像や衛星画像から建物概要を抽出する新しいクエリベースの手法を提案する。 クエリとして各ポリゴンを定式化し、潜在的ビルディングの最も関連性の高い領域に対してクエリの注意を拘束する。 本手法は,2次元フロアプラン再構築データセットであるStructured3Dを用いて,ベクトル化建物アウトライン抽出データセット(CrowdAI)と2次元フロアプラン再構築データセット(Structured3D)について評価する。
  論文  参考訳（メタデータ） (2024-07-20T16:12:51Z)
• Data Topology-Dependent Upper Bounds of Neural Network Widths [52.58441144171022]
  まず、3層ニューラルネットワークがコンパクトな集合上のインジケータ関数を近似するように設計可能であることを示す。 その後、これは単純複体へと拡張され、その位相構造に基づいて幅の上界が導かれる。 トポロジカルアプローチを用いて3層ReLUネットワークの普遍近似特性を証明した。
  論文  参考訳（メタデータ） (2023-05-25T14:17:15Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• A Nearest Neighbor Network to Extract Digital Terrain Models from 3D Point Clouds [1.6249267147413524]
  本稿では,3Dポイントのクラウド上で動作し,エンド・ツー・エンドのアプローチを用いてシーンの基盤となるDTMを推定するアルゴリズムを提案する。 我々のモデルは近隣情報を学習し、これをポイントワイドでブロックワイドなグローバルな特徴とシームレスに統合する。
  論文  参考訳（メタデータ） (2020-05-21T15:54:55Z)

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。