コンコルディア大学ジーナコーディ校の研究者が、自然災害のリスク評価と軽減のための大規模環境シミュレーションを行う自動化ツールを開発。 Researchers from Concordia’s Gina Cody School develop an automated tool that simulates large-scale environments for natural disaster risk assessment and mitigation
2023-02-07 カナダ・コンコーディア大学
◆研究者たちが目標を達成するまでには、さらに多くの作業が必要ですが、研究者たちは最近、この新しい自動化手法の概要をネイチャー誌「Scientific Reports」に発表しています。このフレームワークは、通常3万フィート以上の上空を飛ぶ航空機が撮影した非常に詳細な画像を使用して、地域の幾何学的形状、構造、外観を再構築するものである。通常、200メガピクセル以上の大規模な航空写真を処理し、街並みや風景、混在する地域の精密な3Dモデルを作成する。構造物の色に至るまで、その外観をモデル化することができる。
◆HybridFlowと呼ばれるこのフレームワークは、ジーナ・コーディ大学工学部コンピューターサイエンスおよびソフトウェア工学の准教授であるCharalambos Poullis氏と、博士課程の学生Qiao Chen氏によって開発されたものである。
◆”このデジタルツインは、バーチャル観光、ゲーム、映画などだけでなく、さまざまなエリアをナビゲートして探索する典型的なアプリケーションで使用できます。”とPoullisは言います。”もっと重要なのは、安全でデジタルな方法でプロセスをシミュレートできる、非常にインパクトのあるアプリケーションです。つまり、洪水やその他の自然災害の際に、関係者や当局が “もしも “のシナリオをシミュレートするために使うことができるのです。これにより、情報に基づいた意思決定を行い、様々なリスク軽減要因を評価することができるのです。”
◆現在の再構成手法は、画像間の視覚的な類似性を見つけて3Dモデルを構築することに依存しています。しかし、画像は非常に大きいため、オクルージョンや繰り返しなどの問題がモデルの精度に悪影響を及ぼす可能性があります。
◆従来の3Dモデリング技術は、画像内のキーポイントを特定し、それを別の画像で照合し、その照合を特定領域全体に伝播させることに依存しています。HybridFlowでは、画像は知覚的に類似したセクションにクラスタリングされ、さらにピクセルレベルでクラスタリングされます。これにより、画像間の点の追跡が容易になり、処理時間が短縮されるため、モデルがより強固になり、正確な再現が可能になります。
◆「また、多くのトレーニングやリソースを必要とするディープラーニングの手法も不要になります」とPoullisは指摘します。”これは、任意の大きさの画像セットを扱うことができるデータ駆動型の手法です。”
◆また、データはメモリではなくディスクに保存されるため、データパイプラインが最適化されると付け加えます。遠隔地のコンピュータで処理を行えば、平均的な大きさの都市部のモデルを30分以内に作成することができると同氏は指摘する。
＜関連情報＞
- https://www.concordia.ca/news/stories/2023/02/07/a-faster-more-accurate-3d-modelling-tool-recreates-a-landscapes-digital-twin-down-to-the-pixel-level.html
- https://www.nature.com/articles/s41598-022-21987-7
大きな変位・変形に対する運動推定 Motion estimation for large displacements and deformations
Qiao Chen & Charalambos Poullis
Scientific Reports Published:16 November 2022
DOI:https://doi.org/10.1038/s41598-022-21987-7
Abstract
Large displacement optical flow is an integral part of many computer vision tasks. Variational optical flow techniques based on a coarse-to-fine scheme interpolate sparse matches and locally optimize an energy model conditioned on colour, gradient and smoothness, making them sensitive to noise in the sparse matches, deformations, and arbitrarily large displacements. This paper addresses this problem and presents HybridFlow, a variational motion estimation framework for large displacements and deformations. A multi-scale hybrid matching approach is performed on the image pairs. Coarse-scale clusters formed by classifying pixels according to their feature descriptors are matched using the clusters’ context descriptors. We apply a multi-scale graph matching on the finer-scale superpixels contained within each matched pair of coarse-scale clusters. Small clusters that cannot be further subdivided are matched using localized feature matching. Together, these initial matches form the flow, which is propagated by an edge-preserving interpolation and variational refinement. Our approach does not require training and is robust to substantial displacements and rigid and non-rigid transformations due to motion in the scene, making it ideal for large-scale imagery such as aerial imagery. More notably, HybridFlow works on directed graphs of arbitrary topology representing perceptual groups, which improves motion estimation in the presence of significant deformations. We demonstrate HybridFlow’s superior performance to state-of-the-art variational techniques on two benchmark datasets and report comparable results with state-of-the-art deep-learning-based techniques.
