A Framework for Building Point Cloud Cleaning, Plane Detection and Semantic Segmentation

要約

このペーパーでは、建築モデリングの強化を最終目標として、建築点群のクリーニング、平面検出、セマンティック セグメンテーションに伴う課題に対処するためのフレームワークを紹介します。
クリーニング段階では、Z スコア測定に基づく適応しきい値手法を使用して、取得した点群データから外れ値を除去することに重点を置きます。
洗浄プロセスに続いて、堅牢な RANSAC パラダイムを使用して平面検出を実行します。
目標は、複数の平面セグメンテーションを実行し、セグメントを床、天井、壁などの異なるカテゴリに分類することです。
結果として得られるセグメントにより、建物の建築要素を表す正確かつ詳細な点群を生成できます。
さらに、壁、窓、ドア、屋根、物体など、建物内のさまざまなコンポーネントの識別と分類に重要な役割を果たすセマンティック セグメンテーションの問題にも取り組みます。
PointNet アーキテクチャからインスピレーションを得て、私たちは建物内の効率的なセマンティック セグメンテーションのための深層学習アーキテクチャを提案します。
この結果は、建物モデリング タスクの処理における提案されたフレームワークの有効性を実証し、建物モデリングの分野における精度と効率の向上への道を切り開きます。

要約(オリジナル)

This paper presents a framework to address the challenges involved in building point cloud cleaning, plane detection, and semantic segmentation, with the ultimate goal of enhancing building modeling. We focus in the cleaning stage on removing outliers from the acquired point cloud data by employing an adaptive threshold technique based on z-score measure. Following the cleaning process, we perform plane detection using the robust RANSAC paradigm. The goal is to carry out multiple plane segmentations, and to classify segments into distinct categories, such as floors, ceilings, and walls. The resulting segments can generate accurate and detailed point clouds representing the building’s architectural elements. Moreover, we address the problem of semantic segmentation, which plays a vital role in the identification and classification of different components within the building, such as walls, windows, doors, roofs, and objects. Inspired by the PointNet architecture, we propose a deep learning architecture for efficient semantic segmentation in buildings. The results demonstrate the effectiveness of the proposed framework in handling building modeling tasks, paving the way for improved accuracy and efficiency in the field of building modelization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google