Apr, 2024

激光雷达可视化对考古物体语义分割的影响

PDF
TL;DR本研究通过一个全面的测试框架，研究了可视化对深度学习性能的影响，结果表明适当的可视化选择可以提高性能高达 8%，然而找到一个在分割所有考古类别中表现出色的可视化方法仍然具有挑战性，实验结果突显了在成功分割考古对象时，精心选择模型配置和 LiDAR 可视化的重要性。
deep learninglidararchaeological researchvisualisationssemantic segmentation
发现论文，激发创造
  • 利用语义分割方法进行遗址激光雷达数据中埋藏考古结构识别的迁移学习

    应用深度学习于考古学的遥感数据时，一个显著的障碍是适用于训练模型的数据集有限。本文通过比较两个 LiDAR 数据集上两种语义分割深度神经网络的多种迁移学习配置的性能，结论表明考古学中基于迁移学习的方法可以提高性能，但尚未观察到系统性的改进，为未来工作提供了基线。

    Jul, 2023

  • 利用航空 LiDAR 图像分割揭示古代玛雅定居点

    利用深度学习的最新进展，本文展示了如何利用 YOLOv8 神经网络来准确地分割航空 LiDAR 图像中的考古结构，通过对原始 LiDAR 数据的新型预处理和数据增强方法来训练 YOLOv8 网络，提高了平台和环状结构的分割的准确度、精度和召回率，优于现有方法，该方法自动化了耗时的 LiDAR 图像标注，显著加速了对历史景观的准确分析。

    Mar, 2024

  • 离线激光雷达基于强度的语义分割

    通过使用 LiDAR 强度参数来增强离线道路环境下的物体分割，我们的方法在 RELLIS-3D 数据集上得到了有希望的结果，为学习基于语义分割框架的预测准确性提供了补充输入。

    Jan, 2024

  • 深度语义模型融合在古代农业梯田检测中的应用

    通过结合深度语义模型融合方法，以航拍图像和激光雷达生成的地形特征为输入数据，在内盖夫沙漠中实现了对古代农业平台的自动检测和识别。该方法在国际人工智能考古挑战赛中获得第一名。

    Aug, 2023

  • LiDAR 配置对越野语义分割性能分析

    本文研究了 LiDAR 配置转变对三维 LiDAR 点云语义分割模型性能的影响，结果表明传感器和空间域转变显著影响了基于 LiDAR 的语义分割模型的性能，更高分辨率的传感器对相同类型的传感器性能优化，并且当存在空间域变化时，更高分辨率不一定导致更好的性能。

    Jun, 2023

  • 激光雷达标注就是您所需的

    通过使用卷积神经网络和激光雷达数据，本研究旨在提高图像分割的效率，特别是在自动驾驶系统中的道路表面分割任务中，通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。

    Nov, 2023

  • 建筑物提取精度：使用 LiDAR 数据比较浅层模型和深层模型

    本篇论文研究了建筑分割问题，利用浅层模型评估 LiDAR 数据在监督分割中的应用，并通过采用边界掩模提升边界一致性得分，结合航空图像和 LiDAR 数据进行模型的训练与比较，结果表明浅层模型在航空图像任务和航空图像与 LiDAR 数据任务下的 Intersection over Union 得分分别优于深度学习模型 8% 和 2%，与此同时深度学习模型在 Boundary Intersection over Union 得分方面表现更好，采用 Light Gradient-Boosting Machine (LightGBM) 的效果优于 RF 和 Extreme Gradient Boosting (XGBoost)。

    Sep, 2023

  • 基于 RGB 和 LiDAR 融合的自动驾驶 3D 语义分割

    本文旨在研究基于传感器融合技术的三维语义分割，将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果，并相对于仅使用 LiDAR 的基线模型，在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。

    Jun, 2019

  • 基于无人机图像的废矽片描绘的传统方法与深度学习方法的比较评估

    基于图像的矿山废弃物堆积物表征的优化，利用远程获取的数据和深度学习方法，通过各种分割方法的比较分析，展示了基于形态学和深度学习方法的高准确性和高效率，推动了矿山环境中基于图像的堆积物表征技术的应用。

    Feb, 2024

  • 混杂空中 LiDAR 点云的目标分割

    本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

    Oct, 2022