We have presented a system for auto

We have presented a system for automatic facade detection,
segmentation, and parameter estimation in the domain of
stereo-equipped mobile platforms. We have introduced a discriminative
model that leverages both appearance and disparity
features for improved classification accuracy. From the disparity
map, we generate a set of candidate planes using RANSAC
with a planar model that also incorporates local PCA estimates
of plane normals. We combine these in a two-layer Markov
Random Field model that allows for inference on the binary
(building/background) labeling at the mid-level, and for segmentation
of the identified building pixels into individual planar
surfaces corresponding to the candidate planemodels determined
by RANSAC.
Our BMA+D discriminativemodel provides superior performance
to other classifiers using only appearance features, and
our mid-level MRF labeling has proven to further improve the
accuracy of the classification to approximately 80%. We were
able to identify 84% of the building facades in our dataset, with
an average angular error of 24◦ fromthe ground truth. However,
the distribution of errors peaks in frequency below 10◦, indicating
that a large percentage of the labels provide very accurate
estimates for the ground truth, although some of the labels produced
by our method have very high error. Further analysis
shows that these high-error labelings most often occur on small
segmented regions. Thus our method produces accurate plane
estimates for at least the major facades in the image.
A further approach that may enhance these results is strict
enforcement of a verticality constraint on the candidate plane
models. Extraction of the ground plane would enable us to
leverage the assumption that building facades, in general, are
perpendicular to the ground plane. Using only locally vertical
candidate plane models is an avenue of future work in this area.
Another avenue for future investigation is the integration of the
distance-based uncertainty of each point in disparity space into
the RANSAC models in order to encourage plane fitting to the
more accurate points close to the camera. We also intend to
pursue other methods for either improving the quality of the input
data (e.g. multiview stereo) or improving the methods of
compensating for difficult disparity maps.

ผลลัพธ์ (ไทย) 1:

เราได้นำเสนอระบบอัตโนมัติสำหรับการตรวจสอบอาคาร
แบ่งส่วนและประมาณค่าพารามิเตอร์ในโดเมนของ
สเตอริโอพร้อมแพลตฟอร์มโทรศัพท์มือถือ เราได้นำรูปแบบการจำแนก
ที่ใช้ประโยชน์จากทั้งสองลักษณะและความแตกต่างกัน
คุณสมบัติสำหรับการปรับปรุงความถูกต้องจำแนก จากความแตกต่างกัน
แผนที่เราสร้างชุดของเครื่องบินผู้สมัครใช้ ransac
กับรูปแบบภาพถ่ายที่ยังรวมประมาณการ PCA ท้องถิ่น
ภาวะปกติของเครื่องบิน เรารวมเหล่านี้ในสองชั้นแบบมาร์คอฟ
สนามแบบสุ่มที่ช่วยให้ข้อสรุปเกี่ยวกับการ
(อาคาร / พื้นหลัง) การติดฉลากไบนารีที่ระดับกลางและสำหรับการแบ่งส่วนของ
ระบุพิกเซลอาคารเป็นภาพถ่าย
พื้นผิวของแต่ละบุคคลที่เกี่ยวข้องกับ planemodels ผู้สมัครที่กำหนดโดย ransac
.
BMA ง discriminativemodel ของเราให้ประสิทธิภาพที่เหนือกว่าในการแยกแยะ
อื่น ๆ โดยใช้คุณสมบัติการปรากฏตัวเท่านั้นและการติดฉลากของเรา
ระดับกลาง MRF ได้พิสูจน์แล้วว่าสามารถปรับปรุง
ความถูกต้องของการจัดหมวดหมู่ไปประมาณ 80%
เราสามารถที่จะระบุ 84% ของอาคารที่สร้างในชุดของเรามีข้อผิดพลาด
เชิงมุมเฉลี่ยจาก 24 ◦ fromthe ความจริงพื้นดิน แต่
การกระจายของยอดข้อผิดพลาดในความถี่ต่ำกว่า 10 ◦แสดง
ว่าร้อยละใหญ่ของป้ายที่ให้ข้อมูลประมาณการที่ถูกต้องมาก
สำหรับความจริงพื้นดินถึงแม้ว่าบางส่วนของป้ายที่ผลิต
โดยวิธีของเรามีข้อผิดพลาดที่สูงมาก วิเคราะห์ต่อไป
แสดงให้เห็นว่าเหล่านี้ labelings สูงข้อผิดพลาดส่วนใหญ่มักจะเกิดขึ้นในพื้นที่ขนาดเล็ก
หมวดหมู่ ดังนั้นวิธีการของเราผลิตเครื่องบินที่ถูกต้อง
ประมาณการอย่างน้อยอาคารที่สำคัญในภาพ.
วิธีการต่อไปที่อาจเพิ่มผลเหล่านี้จะเข้มงวดการบังคับใช้
ข้อ จำกัด แนวที่ผู้สมัคร
เครื่องบินรุ่น การสกัดของเครื่องบินพื้นดินจะช่วยให้เราสามารถใช้ประโยชน์จากการ
สันนิษฐานว่าสร้างอาคารโดยทั่วไปเป็น
ตั้งฉากกับระนาบพื้นดิน โดยใช้เพียงแนวตั้งในพื้นที่
รุ่นเครื่องบินที่ผู้สมัครเป็นถนนของการทำงานในอนาคตในพื้นที่นี้.
ถนนสำหรับการตรวจสอบในอนาคตอีกเป็นการบูรณาการความไม่แน่นอน
ระยะทางที่ใช้ในการจุดในแต่ละพื้นที่ที่แตกต่างกันในรูปแบบ
ransac เพื่อส่งเสริมเครื่องบินที่เหมาะสมที่จะ
ขึ้น จุดที่ถูกต้องใกล้เคียงกับกล้อง เรายังตั้งใจที่จะติดตาม
วิธีการอื่น ๆ สำหรับการปรับปรุงคุณภาพของข้อมูลที่นำเข้า
(เช่นสเตอริโอ MultiView) หรือการปรับปรุงวิธีการของ
ชดเชยสำหรับแผนที่ที่แตกต่างกันยาก

ผลลัพธ์ (ไทย) 2:

เราได้นำเสนอระบบอัตโนมัติกระจกตรวจ,
แบ่ง และประมาณพารามิเตอร์ในโดเมนของ
แพลตฟอร์มโมบายพร้อมเสียงสเตอริโอ เราได้แนะนำเป็น discriminative
รุ่นที่ใช้ลักษณะและ disparity
คุณลักษณะจัดประเภทปรับปรุงความถูกต้อง จาก disparity ที่
แผนที่ เราสร้างชุดเครื่องบินผู้ใช้ RANSAC
มีแบบจำลองระนาบที่ยัง สมาคมท้องถิ่นประเมิน
ของเครื่องบิน normals เรารวมเหล่านี้ใน Markov สองชั้น
รูปสุ่มฟิลด์ที่อนุญาต สำหรับข้อบนติดฉลาก binary
(building/background) ระดับกลาง และแบ่ง
ของการระบุอาคารพิกเซลในแต่ละระนาบ
พื้นผิวที่สอดคล้องกับ planemodels ผู้สมัครกำหนด
โดย RANSAC.
BMA D discriminativemodel ของเรามีประสิทธิภาพ
กับคำนามภาษาอื่น ๆ ใช้เฉพาะปรากฏคุณลักษณะ และ
ของเราระดับกลาง MRF ติดฉลากได้พิสูจน์พัฒนา
ความถูกต้องของการจัดประเภทไปประมาณ 80% เรา
สามารถระบุ 84% ของด้านหน้าอาคารในชุดข้อมูลของเรา ด้วย
ผิดแองกูลาร์เฉลี่ยของ 24◦ จากดินความจริง อย่างไรก็ตาม,
การกระจายของยอดเขาข้อผิดพลาดในความถี่ต่ำกว่า 10◦ แสดง
ให้เปอร์เซ็นต์ขนาดใหญ่ป้ายชื่อให้ถูกต้องมาก
ประเมินสำหรับความจริงดิน แม้ว่าบางส่วนของป้ายชื่อผลิต
โดยวิธีของเรามีข้อผิดพลาดสูงมาก วิเคราะห์เพิ่มเติม
แสดงที่ labelings สูงข้อผิดพลาดเหล่านี้เกิดขึ้นบ่อยที่สุดบน
ภูมิภาคที่ถูกแบ่งเป็นช่วง ดังนั้น วิธีการของเราสร้างเครื่องบินที่ถูกต้อง
ประเมินสำหรับน้อยสมดุลหลักในภาพ
วิธีการต่อไปซึ่งอาจเพิ่มผลเหล่านี้มีความเข้มงวด
บังคับจำกัด verticality บนเครื่องบินผู้สมัคร
รุ่น สกัดเครื่องบินพื้นดินจะช่วยให้เราสามารถ
ใช้สมมติฐานที่ด้านหน้าอาคาร ทั่วไป
ตั้งฉากกับระนาบพื้นดิน ใช้เครื่องแนวตั้ง
แบบจำลองเครื่องบินผู้สมัครคือ เป็นถนนของงานในอนาคตในพื้นที่นี้
อเวนิวอื่นเพื่อการตรวจสอบในอนาคตคือ การบูรณาการ
ความไม่แน่นอนตามระยะห่างของจุดแต่ละจุดในพื้นที่ disparity เป็น
รุ่น RANSAC เพื่อสนับสนุนอุปกรณ์เครื่องบินไป
จุดแม่นยำยิ่งใกล้กับกล้อง เรายังตั้งใจ
ติดตามวิธีอื่น ๆ สำหรับการปรับปรุงคุณภาพของข้อมูลป้อนเข้า
ข้อมูล (เช่น สเตอริโอ multiview) หรือปรับปรุงวิธีการ
ชดเชยสำหรับแผนที่ disparity ยาก

ผลลัพธ์ (ไทย) 3:

เราได้มีการเสนอระบบสำหรับการตรวจจับอัตโนมัติ
การแบ่งส่วนพื้นที่ด้านหน้าอาคารและกำหนดราคาค่าพารามิเตอร์ในโดเมนของแพลตฟอร์มโมบายล์
สเตอริโอ - จัดให้บริการ เราได้ใช้รุ่น discriminative
ซึ่งจะช่วยให้มั่นใจได้ว่าได้รับและลักษณะที่ปรากฎความโดดเด่นความเหลื่อมล้ำ
ซึ่งจะช่วยในการจำแนก ประเภท ความถูกต้องมากขึ้นทั้งสอง จากความเหลื่อมล้ำ
แผนที่เราสร้างชุดของเครื่องบินผู้ลงสมัครรับเลือกตั้งโดยใช้ ransac
พร้อมด้วยรุ่นบางชนิดที่ยังกลมกลืนเข้ากับประเมิน( R ) PCA Cellular ท้องถิ่น
ของ normals เครื่องบิน เรารวมเหล่านี้ในที่สองชั้น markov
แบบสุ่มฟิลด์รุ่นที่ช่วยให้ลงความเห็นได้ที่ไบนารี
(อาคาร/พื้นหลัง)การติดฉลากที่ระดับกลางและสำหรับการแบ่งส่วนของ
ซึ่งจะช่วยให้สามารถระบุได้อาคารพิกเซลในแบบเฉพาะตัวพื้นผิว
บางชนิดที่เกี่ยวข้องกับผู้สมัครรับเลือกตั้ง planemodels กำหนด
โดย ransac .
กทม. D discriminativemodel ของเราจัดให้บริการ ประสิทธิภาพ ที่เหนือกว่า
ซึ่งจะช่วยในการ classifiers อื่นๆโดยใช้คุณสมบัติลักษณะที่ปรากฎเท่านั้นและ
ซึ่งจะช่วยการติดฉลาก mrf ระดับกลางของเรามีการพิสูจน์แล้วว่าสามารถช่วยเพิ่มความถูกต้องแม่นยำ
ซึ่งจะช่วยในการแบ่ง ประเภท ได้ประมาณ 80%
ซึ่งจะช่วยเราก็สามารถระบุถึง 84% ของพื้นที่ด้านหน้าอาคารเป็นอาคารใน dataset ของเราพร้อมด้วยการปรับมุมเสียดทานโดยเฉลี่ย
ซึ่งจะช่วยให้มีความจริงล่าง 24 ◦จากเนื้อครีมจะลง แต่ถึงอย่างไรก็ตาม
การกระจายของยอดเขาเกิดข้อผิดพลาดในความถี่ด้านล่าง 10 ◦
ซึ่งจะช่วยแจ้งว่าเปอร์เซ็นต์ของป้ายขนาดใหญ่ที่จัดให้บริการเป็นอย่างมากมีการประเมินโดยได้อย่างแม่นยำ
ซึ่งจะช่วยให้ความจริงด้านชั้นล่างที่ถึงแม้ว่าบางส่วนของฉลากที่ผลิต
ซึ่งจะช่วยโดยใช้วิธีการของเรามีข้อผิดพลาดในระดับสูงเป็นอย่างมาก. การวิเคราะห์เพิ่มเติม
ซึ่งจะช่วยแสดงให้เห็นว่า labelings สูง - เกิดข้อผิดพลาดเหล่านี้ส่วนใหญ่มักเกิดขึ้นในขนาดเล็ก
แบบแบ่งเขต ดังนั้นวิธีของเราผลิตเครื่องบินได้อย่างแม่นยำ
ตามมาตรฐานมีการประเมินโดยเป็นเวลาอย่างน้อยที่พื้นที่ด้านหน้าอาคารที่สำคัญใน ภาพ ที่.
แนวทางเพิ่มเติมที่อาจจะเพิ่มผลการทดสอบนี้คือการบังคับใช้กฎหมายอย่างเคร่งครัด
บีบบังคับ verticality ที่ผู้สมัครรับเลือกตั้งเครื่องบิน
รุ่นที่ การขุดเจาะดินของเครื่องบินที่จะเปิดใช้งาน
ซึ่งจะช่วยให้เราสามารถใช้ประโยชน์จากสมมุติฐานที่ว่าพื้นที่ด้านหน้าอาคารเป็นอาคารในโดยทั่วไปคือ
ซึ่งจะช่วยตั้งฉากกับเครื่องบินที่ดิน การใช้เฉพาะ ภายใน เครื่องในแนวตั้ง
ตามมาตรฐานผู้สมัครรับเลือกตั้งเป็นเครื่องบินรุ่นที่ Avenue ในอนาคตงานในพื้นที่แห่งนี้.
อื่น Avenue ในอนาคตเป็นการสืบสวนสอบสวนคดีการบูรณาการของ
ซึ่งจะช่วยให้สามารถใช้งานความไม่แน่นอนของแต่ละจุดในเชิงรุกพื้นที่ใน
ที่ ransac รุ่นในการสั่งซื้อเครื่องบินเพื่อส่งเสริมให้เหมาะสมกับที่
ซึ่งจะช่วยเพิ่มความแม่นยำจุดใกล้กับกล้อง นอกจากนั้นเรายังมีความประสงค์จะเดินทางไปยัง
ซึ่งจะช่วยไล่ตามวิธีการอื่นสำหรับทั้งการพัฒนา คุณภาพ ของอินพุต
ข้อมูล(เช่นmultiview สเตอริโอ)หรือการปรับปรุงวิธีการของ
ซึ่งจะช่วยชดเชยความแตกต่างได้ยากสำหรับแผนที่