XiaoMi-AI文件搜索系统
World File Search System点云
间隙点云配准不确定性调查...
残骸重建和一般紧固件装配过程。在一项关于航空工业点云配准的研究中，孙等[6，7]利用三维点云和测量技术开发了一套拼接飞机残骸的系统。结果表明，其粗配准精度为0.6毫米，可接受的配准精度为0.2毫米。王等[8]提出了一种用于飞机点云配准的通用密度不变框架。结果表明，与其他研究[9-11]相比，他们的方法具有更好的精度（0.6毫米——1.0毫米），以均方根误差（RMSE）评估。虽然精度有所提高，但所提出的方法适用于整个扫描飞机，而不是特定的部件。徐等[12]提出了一种紧固件装配的配准方法，其中利用局部几何特征和迭代最近点（ICP）算法。该配准方法用于扫描数据和 CAD 模型之间。结果表明，与单独使用 ICP 算法相比，所提出的方法具有更好的效率。但是，所提出的注册方法的不确定性并未披露。
PC-RGNN：用于 3D 物体检测的点云补全和图神经网络
基于 LiDAR 的 3D 物体检测是自动驾驶的一项重要任务，当前的方法受到远处和遮挡物体的稀疏和部分点云的影响。在本文中，我们提出了一种新颖的两阶段方法，即 PC-RGNN，通过两个特定的解决方案来应对此类挑战。一方面，我们引入了一个点云完成模块来恢复密集点和整个视图的高质量提案，同时保留原始结构。另一方面，设计了一个图神经网络模块，该模块通过局部-全局注意机制以及基于多尺度图的上下文聚合全面捕捉点之间的关系，大大增强了编码特征。在 KITTI 基准上进行的大量实验表明，所提出的方法比以前最先进的基线方法有显著的进步，凸显了其有效性。
评估 TLS 点云着色的质量
摘要：地面激光扫描 (TLS) 能够高效生成真实环境的高密度彩色 3D 点云。从视觉和自动解释到逼真的 3D 可视化和体验，越来越多的应用依赖于准确可靠的颜色信息。然而，人们对评估应用 TLS 生成的 3D 点云的着色质量关注不足。我们已经开发了一种用于评估带有集成成像传感器的 TLS 系统的点云着色质量的方法。我们的方法通过测量从 3D 扫描测试图表渲染的 2D 图像的客观图像质量指标来评估几个测试系统重现场景颜色和细节的能力。结果表明，与色彩再现相关的检测问题（即测量到的色彩、白平衡和曝光差异）可以在数据处理中得到缓解，而与细节再现相关的问题（即测量到的锐度和噪声）则不受扫描仪用户的控制。尽管是值得称赞的 3D 测量仪器，但改进着色工具和工作流程以及自动化图像处理管道不仅可以提高彩色 3D 点云的质量和生产效率，还可以提高其适用性。
使用 LiDAR 点云和 GIS 分析自动检测土地覆盖变化和监测森林演替
摘要：本文探讨了将光探测和测距 (LiDAR) 点云和地理信息系统 (GIS) 分析应用于土地利用和土地覆盖 (LULC) 变化检测的可能性，主要目的是监测后农业土地上发生的不受控制的森林演替。这项研究是在 Milicz 行政区（波兰中西部地区）的一部分进行的。感兴趣的区域是已经放弃农业用途并且森林演替过程已经进展的地块。机载激光扫描 (ALS) 数据（于 2007 年、2012 年和 2015 年获取）揭示了由于森林演替过程的进展而导致的土地覆盖的详细变化。使用 ALS 数据，显示了 LULC 变化和次生林演替的进展，并给出了植被参数（LiDAR 指标）。
使用人工智能自动处理 3D 点云数据
点云，作者：DAVID SELVIAH 数字化现实：使用 AI 进行自动化 3D 点云数据处理 用于数字化 3D 真实环境的仪器变得越来越小、更轻、更低成本和更强大，因此得到了广泛的应用，不仅用于最高精度的测量三脚架，还用于移动平台，例如自动驾驶汽车、无人机、直升机、飞机、机器人吸尘器、火车、移动电话、卫星和火星探测器。激光雷达使用激光扫描，而摄影测量则记录来自一个或多个可能正在移动的摄像机的图像。每次激光扫描都会在点云中记录数千万个数据点的位置和颜色，并且可以组合数百个这样的点云。本文讨论了许多公司和组织在获得大量 3D 点云数据集后面临的管理、存储、注册、融合、提取有用和可操作信息等挑战。
地理空间人工智能：机器学习在 3D 点云和地理空间数字孪生中的潜力
摘要 人工智能 (AI) 正在从根本上改变 IT 解决方案在所有应用领域（包括地理空间领域）的实施和运行方式。本文概述了基于 AI 的 3D 点云和地理空间数字孪生技术，作为地理空间 AI 的通用组成部分。首先，我们简要回顾一下“AI”一词，并从软件工程的角度概述将 AI 应用于 IT 解决方案所需的技术发展。接下来，我们将 3D 点云描述为地理数据的关键类别，及其在创建地理空间数字孪生基础中的作用；我们解释了机器学习 (ML) 和深度学习 (DL) 方法对 3D 点云的可行性。具体而言，我们认为 3D 点云可以看作具有与自然语言语料库相似属性的语料库，并为 3D 点云制定了“自然性假设”。在主要部分中，我们介绍了一种基于 ML/DL 方法解释 3D 点云的工作流程，该方法无需创建显式空间 3D 模型或显式规则集即可得出 3D 点云的特定领域和特定应用语义。最后，通过示例展示了 ML/DL 如何使我们能够高效地构建和维护地理空间数字孪生（例如虚拟 3D 城市模型、室内模型或建筑信息模型）的基础数据。
居住区景观中采用不同滤波方法从机载 LiDAR 点云提取的数字地形模型的比较分析
光探测和测距 (LiDAR) 是一种成熟的主动遥感技术，可以提供地形和非地面物体（如植被和建筑物等）的精确数字高程测量。需要去除非地面物体才能创建数字地形模型 (DTM)，该模型是仅代表地面点的连续表面。本研究旨在比较分析三种主要的去除非地面物体的滤波方法，即高斯低通滤波器、焦点分析均值滤波器和基于不同窗口大小的 DTM 斜率滤波器，以从机载 LiDAR 点云创建可靠的 DTM。分析中使用了 ISPRS WG III/4 提供的在德国 Vaihingen 上空捕获的纯住宅区 LiDAR 数据样本。视觉分析表明，高斯低通滤波器使衰减的高频物体的 DTM 变得模糊并强调了低频物体，而在较大的窗口大小下它可以更好地去除非地面物体。与高斯低通滤波器相比，焦点分析均值滤波器表现出更好的非地面物体去除效果，尤其是在窗口尺寸较大的情况下，非地面物体的细节在窗口尺寸为 25 × 25 及更大的 DTM 中几乎消失了。基于斜率的 DTM 滤波器创建的裸地模型在非地面物体的位置充满了缝隙，这些缝隙的尺寸和数量有所增加
两种基于图像的点云的全面比较...
计算机视觉和摄影测量的结合可以从图像中生成三维 (3D) 信息，这促进了点云在制图方面的广泛应用。大规模地形图制作需要高精度和准确度的 3D 数据来表示地球表面的真实状况。除了 LiDAR 点云之外，基于图像的匹配也被认为能够从多视图图像中生成可靠且详细的点云。为了检验和分析 LiDAR 和基于图像的匹配在大规模详细制图方面的可能融合，点云由半全局匹配 (SGM) 和运动结构 (SfM) 生成。为了进行全面和公平的比较，本研究使用了同时获取的航空照片和 LiDAR 数据。定性和定量评估已用于评估 LiDAR 和图像匹配点云数据的可视化、几何精度和分类结果。比较结果得出结论，LiDAR 是大规模制图的最佳数据。
从森林地区的机载激光扫描点云中进行全自动电力线提取
摘要：高压电线可以很容易地利用激光扫描数据进行测绘，因为高压线附近的植被通常会被移除，而且与区域网络和低压网络相比，高压电线位于地面上方。相反，低压电线位于茂密的森林中间，在这样的环境中很难对电线进行分类。本文提出了一种用于森林环境的自动电力线检测方法。我们的方法是基于统计分析和二维图像处理技术开发的。在统计分析过程中，应用一组标准（例如高度标准、密度标准和直方图阈值）来选择电力线候选点。将候选点转换为二值图像后，采用基于图像的处理技术。对象几何特性被视为电力线检测的标准。该方法在来自不同森林环境的六组机载激光扫描 (ALS) 数据中进行。与参考数据相比，93.26% 的电力线点被正确分类。分析并讨论了这些方法的优缺点。