通过3D分段增强建筑工地分析与理解
计算机视觉与模式识别
2025-08-11 v1 机器学习
摘要
监控建筑进度至关重要但耗费资源，这促使探索基于计算机视觉的方法以提高效率和可扩展性。传统的数据获取方法主要关注室内环境，在建筑工地复杂、杂乱且动态变化的条件下往往不堪重负。本文批判性地评估了Segment Anything Model（SAM）和Mask3D在具有挑战性的户外和室内条件下的应用。两者最初在室内数据集上训练，本研究评估了它们在真实建筑场景中的适应性和性能，突出了由于缺乏户外情景基准而导致的当前分段方法之间的差距。通过比较分析，本研究不仅展示了SAM和Mask3D的相对有效性，还解决了从建筑工地数据中提取可操作性洞察力的关键需求，即开发能够实现更自动化和精确监控技术的量身定制的分段工作流程。
引用
@article{arxiv.2508.05922,
title = {Enhancing Construction Site Analysis and Understanding with 3D Segmentation},
author = {Sri Ramana Saketh Vasanthawada and Pengkun Liu and Pingbo Tang},
journal= {arXiv preprint arXiv:2508.05922},
year = {2025}
}