Apr, 2023

TUM-FAÇADE: 为建筑物立面分割检验指标进行评估和拓展

PDF
TL;DR该研究提出了一种用于扩展点云数据集的方法，以便更好地评估其在建筑物立面分割中的应用潜力，并创建了 TUM-FAÇADE 数据集用于该目的。
point cloudsurban mappingfaçade segmentationtum-façade datasetenrichment
发现论文，激发创造
  • 利用 MLS 点云和词袋模型方法重建立面细节

    我们提出了一种新的方法，通过结合 MLS 点云和预定义的 3D 模型库，使用 BoW 概念并增加半全局特征，来重建三维外立面细节。我们在带有随机噪声的模型和 TUM-FAÇADE 数据集上进行了实验，结果表明我们的方法能够改善传统的 BoW 方法，具有用于更真实的外立面重建的潜力，而无需矩形假设，可用于应用如测试自动驾驶功能或估计立面的太阳能潜力。

    Feb, 2024

  • ARCH2S：从点云中学习建筑外部结构的数据集、基准和挑战

    本研究提供了一个语义分割的语义丰富的、照片般逼真的三维建筑模型数据集和基准，以克服现有室外三维点云数据集在建筑外观方面的限制和详细注释方面的不足。

    Jun, 2024

  • 面向城市尺度三维点云的语义分割：数据集、基准和挑战

    本文介绍了一个由三个英国城市中 7.6 平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个 3D 点都被标记为 13 个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

    Sep, 2020

  • 使用几何特征和深度学习网络对立面点云进行分类

    融合几何特征和深度学习网络的立面级别点云分类方法提高了深度学习方法的性能，可以用来补偿深度学习网络在捕捉局部几何信息方面的能力，并推动语义分割的进展。

    Feb, 2024

  • Building3D: 从点云中学习屋顶结构的城市级数据集和基准

    这篇论文介绍了一个城市建模的数据集 Building3D，它包括超过 160,000 幢建筑物的点云、网格和线框模型，覆盖爱沙尼亚的 16 个城市，面积约为 998 平方公里。作者通过对先进算法的评估发现 Building3D 存在高内类别差异、数据不平衡和大规模噪声等挑战。这个数据集是首个最大规模的城市建模基准，可以用于监督学习和自监督学习方法的比较。作者认为 Building3D 将促进未来在城市建模、航路规划、网格简化和语义 / 部分分割等领域的研究。

    Jul, 2023

  • 深度学习中点云数据增强的进展：一项调查

    该研究综述了深度学习在点云处理中的应用，探讨了数据增强方法，并对其进行了综合评估和分类，以帮助研究人员全面了解点云数据增强的现状，并推动其广泛应用和发展。

    Aug, 2023

  • Campus3D：用于层次式室外场景理解的摄影测量点云基准

    本文介绍了一个丰富注释的 3D 点云数据集，以及用于分层分割任务的有效学习框架。提出了一种基于多任务学习和分层集成的两阶段方法，包括一种考虑不同层次之间一致性的度量。实验结果表明了所提出方法的优越性和分层注释的潜在优势。

    Aug, 2020

  • 基于自动上下文的高效二维和三维立面分割

    本文介绍了一种快速高效的建筑立面二维图像和三维点云分割技术。该技术采用标准分割方法并训练一系列增强决策树，使用自动上下文特征进行学习。实验结果表明，该方法表现优异，并且在所有可用的二维和三维立面基准数据集上均有经验结果。该方法易于实施、易于扩展，并在测试时推理非常高效。

    Jun, 2016

  • SensatUrban：从城市规模摄影测量点云中学习语义

    本文介绍 SensatUrban 数据集，由近三十亿个带有精细语义注释的点云数据集组成，用于评估最先进的分割算法性能，并分析了限制城市规模点云理解的关键挑战。

    Jan, 2022

  • 构建点云清洗、平面检测和语义分割的框架

    提出了一个用于建筑模型的框架，针对点云清理、平面检测和语义分割等挑战进行处理，通过自适应阈值技术来清除异常值，并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割，结果表明该框架在建筑模型任务中具有高效和准确性，为建筑模型领域的提高准确性和效率铺平了道路。

    Feb, 2024