深度学习倾斜三维模型车辆去除算法

doi:10.13474/j.cnki.11-2246.2023.0079

测绘通报 ›› 2023, Vol. 0 ›› Issue (3): 94-98.doi: 10.13474/j.cnki.11-2246.2023.0079

• 工程测量分会年会（2022年）优选论文 • 上一篇下一篇

深度学习倾斜三维模型车辆去除算法

丁乐乐, 刘艳飞, 孟凡效, 张涛, 王震, 潘宇明

天津市勘察设计院集团有限公司, 天津 300000

收稿日期:2022-07-05 发布日期:2023-04-04
通讯作者: 刘艳飞。E-mail:yanfeiliu@whu.edu.cn
作者简介:丁乐乐(1986-),男,硕士,高级工程师,研究方向为大地测量学与测量工程、高分遥感智能解译。E-mail:kcydll@126.com
基金资助:
天津市重点研发计划（22YFYSHZ00120）；住房和城乡建设部科学技术计划项目（2002-K-050）

Vehicle clearance based deep learning for oblique 3D model

DING Lele, LIU Yanfei, MENG Fanxiao, ZHANG Tao, WANG Zhen, PAN Yuming

Tianjin Survey Design Institute Group Co., Ltd., Tianjin 300000, China

Received:2022-07-05 Published:2023-04-04

摘要/Abstract

摘要： 针对倾斜三维模型中车辆运动导致的车辆变形问题，本文提出了深度学习倾斜三维模型车辆去除算法。首先利用深度目标检测网络对三维模型中的车辆进行检测，定位车辆的位置；然后利用深度图像修复算法对车辆进行擦除，自动填充道路纹理。相较于基于Photoshop的手工车辆去除方法，该方法可有效提高作业效率。

关键词: 三维模型, 目标检测, 深度图像修复, 车辆去除

Abstract: To solve the texture mapping problem caused by the moved car in oblique 3D model, the vehicle clearance method based on deep learning (VCDL) is proposed in this paper. In the proposed method, the vehicles are detected based on deep-object-detection CNN, obtaining the location of the vehicles. And then the vehicles are removed from the model based on deep image inpainting network and fills road textures automatically. Compared with hand-craft vehicles clearance based on Photoshop, the method proposed in this paper can effectively improve the efficiency.

Key words: oblique 3D model, object-detection, deep image inpainting, vehicle clearance

中图分类号:

P232

丁乐乐, 刘艳飞, 孟凡效, 张涛, 王震, 潘宇明. 深度学习倾斜三维模型车辆去除算法[J]. 测绘通报, 2023, 0(3): 94-98.

DING Lele, LIU Yanfei, MENG Fanxiao, ZHANG Tao, WANG Zhen, PAN Yuming. Vehicle clearance based deep learning for oblique 3D model[J]. Bulletin of Surveying and Mapping, 2023, 0(3): 94-98.

参考文献

[1] 商建伟. 基于倾斜摄影实景三维模型的大比例尺地形图测绘分析研究[J]. 测绘通报, 2020(S1):195-197.
[2] 王云凯, 蒋毅, 何燕兰, 等. 机载LiDAR与倾斜摄影技术融合在美丽乡村建设中的应用研究[J]. 测绘通报, 2021(S1):37-41.
[3] 闻光华, 欧阳晖, 陈光. 大规模航道实景三维建模关键技术方法[J]. 测绘通报, 2021(8):115-118.
[4] 杨彦梅, 王莹, 施磊, 等. 基于DP-Modeler的精细化三维模型构建[J]. 测绘通报, 2021(5):106-110.
[5] 原明超, 仇俊. 无人机倾斜摄影测量在三维模型测图中的应用[J]. 测绘通报, 2020(7):116-119.
[6] LIU Li, OUYANG Wanli, WANG Xiaogang, et al. Deep learning for generic object detection:a survey[J]. International Journal of Computer Vision, 2020, 128(2):261-318.
[7] LIN T Y, DOLLÁR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu:IEEE, 2017:936-944.
[8] HE Kaiming, GKIOXARI G, DOLLAR P, et al. Mask R-CNN[C]//Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Venice:IEEE, 2017:2961-2969.
[9] CAI Zhaowei, VASCONCELOS N. Cascade R-CNN:delving into high quality object detection[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City:IEEE, 2018:6154-6162.
[10] TIAN ZHI, SHEN CHUNHUA, CHEN HAO, et al. FCOS:fully convolutional one-stage object detection[EB/OL].2020-07-31[2022-09-03].https://cloud.tencent.com/developer/article/1572022.
[11] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[C]//Proceedings of 2016 IEEE Transactions on Pattern Analysis and Machine Intelligence.[S.l.]:IEEE, 2016:1137-1149.
[12] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once:unified, real-time object detection[C]//Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas:IEEE, 2016:779-788.
[13] SUVOROV R, LOGACHEVA E, MASHIKHIN A, et al. Resolution-robust large mask inpainting with Fourier convolutions[C]//Proceedings of 2022 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV). Waikoloa:IEEE, 2022:3172-3182.
[14] ZHOU Bolei, LAPEDRIZA A, KHOSLA A, et al. Places:a 10 million image database for scene recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(6):1452-1464.

[1]	柳林, 孙毅, 李万武. 基于CNN海上钻井平台检测模型的构建及训练算法分析[J]. 测绘通报, 2022, 0(7): 26-32,99.
[2]	文奴, 郭仁忠, 贺彪, 万远. YOLO v4框架下Multi-Patch多帧增量式交通视频目标检测[J]. 测绘通报, 2022, 0(5): 38-44.
[3]	兰峰, 张帆, 高云龙, 黄先锋. 顾及地物类别的倾斜摄影三维模型简化方法[J]. 测绘通报, 2022, 0(4): 44-50.
[4]	毕瑞, 甘淑, 袁希平, 李绕波, 高莎. 不同地形环境下无人机航线规划及三维建模分析[J]. 测绘通报, 2022, 0(4): 83-89,129.
[5]	段晨阳, 冯建中, 全斌, 白林燕, 王盼盼. 利用深度学习进行GF-6影像枣园检测识别[J]. 测绘通报, 2022, 0(3): 54-59.
[6]	任旭斌, 康建锋, 于东海. 无人机倾斜摄影测量在房屋建筑面积测算中的应用[J]. 测绘通报, 2022, 0(3): 116-120,126.
[7]	王珍, 张涛, 丁乐乐, 潘宇明, 史芙蓉. 融合高度和光谱信息的倾斜摄影数据建筑物自动提取[J]. 测绘通报, 2022, 0(2): 10-15.
[8]	王铮, 符校, 杜凯旋, 刘纪平, 车向红. 深度学习支持下的地图图片典型地理目标检测[J]. 测绘通报, 2022, 0(11): 74-78.
[9]	刘继, 杨军. 遥感影像目标检测的轻量化密集连接网络[J]. 测绘通报, 2022, 0(10): 37-43,55.
[10]	席思远, 张西童, 王宁, 张兆江, 李剑明, 张国栋. 倾斜摄影设备选型及像控点布设对高精度实景三维模型重建的影响[J]. 测绘通报, 2022, 0(10): 86-92.
[11]	晏晓红, 荣延祥, 孙可心, 李旭民. 城市复杂地形环境下倾斜模型结合LiDAR点云的大比例尺地形图更新方法[J]. 测绘通报, 2022, 0(10): 93-99.
[12]	程瑞, 高建, 邢强, 孙中昶. 一种优化的Faster R-CNN小目标检测方法[J]. 测绘通报, 2021, 0(9): 21-27.
[13]	周阳阳, 徐尚昭, 陈斌, 张青峰. 无人机倾斜摄影测量技术应用于自然保护区勘界[J]. 测绘通报, 2021, 0(9): 43-48.
[14]	张会霞, 李豪, 李晋宏, 赵菲. 倾斜摄影测量三维模型单体化及服务发布[J]. 测绘通报, 2021, 0(9): 79-82.
[15]	马礼. 高精度实景三维与水质反演在排污口排查中的应用[J]. 测绘通报, 2021, 0(7): 107-110.

深度学习倾斜三维模型车辆去除算法

Vehicle clearance based deep learning for oblique 3D model

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价