[논문]포인트 클라우드를 이용한 IndoorGML 데이터의 자동적 구축

김성환; 이기준

doi:10.7848/ksgpc.2020.38.6.611

포인트 클라우드를 이용한 IndoorGML 데이터의 자동적 구축
Automated Construction of IndoorGML Data Using Point Cloud 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.38 no.6, 2020년, pp.611 - 622

김성환 (Dept. of Computer Engineering, Pusan National University) , 이기준 (Dept. of Computer Engineering, Pusan National University)

초록
AI-Helper

실내공간에 대한 측위 기술과 함께 LiDAR (Light Detection And Ranging)나 카메라와 같이 공간을 측정 장비가 발달하면서 실내공간에 대한 분석과 탐색, 가상현실이나 증강현실을 통한 시각화 서비스에 대한 수요가 증가하고 있다. 이를 위해서는 실제 세계로부터 측정된 데이터를 이용하여 3차원 객체로 모델링하는 작업이 필요하다. 또한 이렇게 구조화된 데이터의 가용성과 상호운용성을 높이기 위하여 표준화된 규격으로 저장하는 것도 매우 중요하다. 본 논문에서는 LiDAR 장비를 통해 획득한 포인트 클라우드 데이터를 이용하여 실내공간을 표현하기 위한 국제표준인 IndoorGML 데이터를 자동적으로 구축하는 방법을 제안하고자 한다. IndoorGML 데이터를 구성하는 과정에서 고려해야 할 점들을 살펴본 후, 자유공간추출과 연결성 검출 과정으로 이루어진 데이터 구축 과정을 통하여 실제로 IndoorGML 데이터를 구축한다. 실험을 통하여 제안 기법이 입력 포인트 클라우드로부터 3차원 데이터 모델을 효과적으로 재구성할 수 있음을 검증한다.

Abstract ▼ AI-Helper

As the advancement of technologies on indoor positioning systems and measuring devices such as LiDAR (Light Detection And Ranging) and cameras, the demands on analyzing and searching indoor spaces and visualization services via virtual and augmented reality have rapidly increasing. To this end, it is necessary to model 3D objects from measured data from real-world structures. In addition, it is important to store these structured data in standardized formats to improve the applicability and interoperability. In this paper, we propose a method to construct IndoorGML data, which is an international standard for indoor modeling, from point cloud data acquired from LiDAR sensors. After examining considerations that should be addressed in IndoorGML data, we present a construction method, which consists of free space extraction and connectivity detection processes. With experimental results, we demonstrate that the proposed method can effectively reconstruct the 3D model from point cloud.

주제어

표/그림 (19)

그림 Fig. 1. Structured space model of IndoorGML
그림 Fig. 2. Constructing IndoorGML from point cloud
그림 Fig. 3. Limitation of line extraction-based algorithm. While there are cases where lines can be clearly extracted as in (a), wall points are possibly not detected as clean lines as in (b)
표 Table 1. Description of parameters used in the proposed method
그림 Fig. 4. Space detection using maximal empty rectangle with reference points
그림 Fig. 5. Space detection using maximal empty rectangle with reference points
그림 Fig. 6. Merging and filtering maximal empty rectangles computed from multiple number of starting points. Rectangles with short sides are filtered out (red). The union of the remaining rectangles becomes the cell geometry (blue)
그림 Fig. 7. Geometry simplification
그림 Fig. 8. Algorithm to simplify a rectlinear linear ring
그림 Fig. 9. Constructing a 3D geometry by extruding along the z-axis
그림 Fig. 10. Door detection procedure
그림 Fig. 11. Establishing nodes and edges for the Node-Relation graph
그림 Fig. 12. Point cloud data used in the experiment (Area 1)
그림 Fig. 13. Constructed underlying geometries and the connectivity graph on Area 1
표 Table 2. Dataset used in the experiments
그림 Fig. 14. Constructed IndoorGML data for the entire floor of Area 1
그림 Fig. 15. Comparison of reconstructed geometries from partial structures
그림 Fig. 16. Failure Cases of the proposed method
표 Table 3. Experimental results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

다음 장에서는 지금까지의 관련 연구를 알아보고, 그리고 본 연구에서 개발한 방법의 흐름과 각 단계에 적용되는 방법의 구체적 설명이 주어진다. 그리고 이 방법을 검증하기 위하여 수행된 실험 및 그 결과를 설명하고 논문의 결론을 맺는다.
특히 데이터의 지역적 특성에 따라 적응적인 매개변수 조절 기법을 도입함으로써 전반적인 성능을 개선시킬 것이다. 또한 실내에 위치한 책장이나 옷장과 같은 대형가구에 의하여 탐지되는 벽면이나 천장이나 바닥의 높이가 일정하지 않은 경우를 해결하기 위해 다양한 높이에서 2차원 공간탐지를 수행한 후 병합하는 방향으로 본 논문의 기법을 확장할 수 있는데, 이와 관련되어 발생하는 다양한 문제들에 대하여 다루고자 한다. 추가적으로 실내공간 상에서 표현할 수 있는 다양한 특징들을 자동적으로 탐지 및 구축할 수 있는 방법에 대하여도 연구를 수행할 예정이다.
사용할 수 있다. 본 논문에서는 문제의 단순화를 위하여 입력 데이터가 대부분의 사무용 및 주거용 건물에서 보이는 일반적인 형태인 바닥과 천장이 XY평면과 평행한 평면상의 직교선형다각형(rectilinear polygon)들로 구성되고 벽면은 이에 수직인 건물이라는 가정 하에 데이터 구축을 진행하고자 한다. 구축 과정에 있어서 개별 단위 공간을 나타내는 벽면을 추출한 후, 벽면을 포함하지 않는 최대 자유 공간을 찾아내어 기본적인 CellSpace의 기하를 구성한다.
본 논문에서는 이 한계를 극복하기 위하여 개발된 자동으로 포인트 클라우드에서 실내공간정보를 추출하는 방법 및 결과를 제시한다. 기존의 방법들이 주로 포인트 클라우드에서 단순 기하 정보만을 추출하는 반면, 본 연구에서 개발된 방법은 실내공간의 여러가지 제약조건이 엄격하게 모델링된 OGC (Open Geospatial Consortium)의 실내공간표준 IndoorGML (Kang and Li, 2017) 데이터로 추출하고 변환하는 것이다.
또한 모델링된 데이터의 범용성과 가용성을 위해 표준화된 형태로 구성할 필요가 있다. 본 논문에서는 포인트 클라우드 데이터로부터 실내공간을 모델링한 후 이를 실내공간 국제표준인 IndoorGML 데이터의 규격에 맞게 필요한 정보를 추출하고 재구성하는 방법을 제안하였다. 제안 기법은 각 단위 공간에 대한 자유 공간을 검출한 후 이들 간의 연결 관계를 도출함으로써 전체적인 데이터를 구성하는 과정으로 이루어져 있으며, 실험을 통하여 입력 포인트 클라우드에 대한 실내 공간 모델이 IndoorGML 규격에 적합하게 추출되는 것을 확인할 수 있었다.
본 장에서는 실내공간을 구성하는 기본적인 요소이면서 IndoorGML상에서 CellSpace로 표현되는 단위공간들의 기하를 포인트 클라우드로부터 검출하는 과정을 기술하고자 한다. 개략적으로 설명하면 우선 법선벡터와 위치정보를 이용하여 벽면에 해당하는 점들을 추출한 뒤, 이를 이용하여 각 단위 공간의 경계면을 구하고, 이를 다시 3차원 기하로 압출 (extrude)시키는 과정을 거친다.
그러나 포인트 클라우드로부터 IndoorGML에 필요한 실내공간 정보를 추출하는 방법에 대한 연구는 미진한 편이다. 본 장에서는 이와 관련하여 IndoorGML 데이터를 구축하기 위해 활용되는 다른 형식의 정보들을 살펴보고, 또한 포인트 클라우드 데이터를 처리와 관련하여 기존의 연구들이 IndoorGML 구축에 직접적으로 활용되기 어려운 이유에 대하여 살펴보고자 한다.

가설 설정

어떤선형링(linear ring)이 주어지고, 두 매개변수 _와 _가 주어진다. 선형링은 점의 배열로 주어지며 첫 점 과 마지막 점 이 같다고 가정한다. _은 처음에 모폴로지(morphology) 연산을 통해 내부의 노이즈를 제거할 때 사용하는 값이고, _ 는 경계면 단순화 과정에서 사용되는 임계값이다.

제안 방법

Fig. 16(a)와 같이 긴 유리 벽이나 의미적으로는 분리된 공간이지만 넓은 영역에 걸쳐 연속적으로 이어진 공간의 경우, 이를 완벽하게 분리하지 못하고 하나의 공간으로 합쳐지는 것을 관찰하였다. 이로 인하여 본래는 두 개의 긴 복도와 개별적인 회의실이 합쳐져서 하나의 큰 CellSpace가 생성되는 결과로 이어졌다.
경계면을 단순화한 후 서로 다른 공간이 교차하는 것을 방지하기 위하여 차연산을 수행한 후, 결과 경계면을 이용하여 Fig. 9와 같이 Z축을 따라 압출시켜 3차원 기하를 생성하도록 한다. 이때 각 면의 법선 벡터는 해당 기하의 바깥을 향하도록 구성하여야 한다.
공간을 확장해나간다. 공간을 확장해나갈 때 벽면에 해당하는 점은 포함하지 않으면서 벽면이 아닌 다른 점들은 포함하도록 함으로써 각 단위공간이 실제로 점유하는 영역을 검출한다. 이러한 벽면을 포함하지 않는 최대 사각형 영역을 임의의 점들로부터 시작하여 다수 추출한 후 병합 및 후처리함으로써 최종적인 공간 영역을 도출한다.
우선적으로 개별 방과 같은 GeneralSpace와 복도나 통로 같은 TransitionSpace를 검출한다. 그 이후 탐지된 개별 공간 사이의 연결관계를 추론한 다음, 이를 이용하여 그 사이에 출입문과 같은 Connection Space를 생성해준다. 그리고 각 단위 공간들의 의미적 속성을 부여한 후 이를 IndoorGML 형식에 맞춰 저장한다.
계산의 편의를 위하여 크기가 1cm인 그리드 상에 사영을 시킨 후 각 그리드 셀별로 벽면 점들의 개수를 누적시켜 미리 계산한다. 그리드의 크기는 점밀도에 따라 유동적으로 설정할 수 있으나, 본 논문에서는 일반적인 실내 포인트 클라우드의 특성 상 인접한 점들 간의 평균 간격이 최대 수cm 이내이며, 출입문이나 서로 다른 벽면 간격을 식별할 수 있는 거리가 10cm 단위의 규모이므로 이를 고려하여 1cm로 설정하였다. 마찬가지 방법으로 벽면이 아닌 점들도 그리드 상에 사영시키는데, 이는 벽면이 미검출된 경우 해당 방향으로 무한히 확장해나가는 것을 방지하기 위하여 일정 범위 이내에 바닥이나 다른 물체에 해당하는 점이 있어야만 해당 구역으로 확장할 수 있도록 하기 위함이다.
제시한다. 기존의 방법들이 주로 포인트 클라우드에서 단순 기하 정보만을 추출하는 반면, 본 연구에서 개발된 방법은 실내공간의 여러가지 제약조건이 엄격하게 모델링된 OGC (Open Geospatial Consortium)의 실내공간표준 IndoorGML (Kang and Li, 2017) 데이터로 추출하고 변환하는 것이다. 특히 IndoorGML에 포함된 각 단위공간 사이 연결성을 추출하는 기능이 포함되어 있다.
발생한다. 따라서 각각의 단위 공간에 대응하는 노드를 생성하여 IndoorGML 상의 State 요소로 표현하고, 인접한 두 단위 공간에 대응하는 노드 간에 연결관계를 생성하여 Transition 요소로 표현을 한다.
마지막으로 구성된 CellSpace들을 특성에 따라 하위클래스인 GeneralSpace, ConnectionSpace, TransitionSpace로 분류하는 작업을 수행하도록 한다. 우선 출입문 검출 과정에서 구성된 CellSpace들은 모두 ConnectionSpace로 분류를 한다.
인접관계 그래프는 벽면의 포인트 클라우드 분포를 이용하여 출입문을 탐지 한 후, CellSpace 간의 연결관계를 도출하고 이로부터 노드와 간선들의 기하적 속성을 부여한다. 마지막으로 그래프 상의 특성을 이용하여 CellSpace들을 하위 클래스로 분류하는 작업을 수행한 후, 최종적으로 IndoorGML로 저장한 뒤, 이를 시각화하여 그 결과를 검증한다.
벽면 추출을 위해서 바닥으로부터 눈높이 정도에 해당하는 1.5-1.8m 높이의 점들 중 법선 벡터의 Z-성분이 0.05 이하인 점들을 추출하였다(Fig 13
부분적인 직선이나 평면 조각을 이용하여 완전히 닫힌 다면체를 구성하는 것은 경우에따라 매우 난해하고 복잡한 상황들을 수반한다. 본 논문에서는 이러한 어려움을 우회하기 위하여 경계면을 추출한 뒤 이를 다시 공간을 나타내는 닫힌 기하로 표현하는 것이 아니라 공간 자체를 직접 추출한 뒤 경계면을 후처리하는 방식을 통하여 기하를 완성하는 접근 방법을 택한다.
이전 단계에서 검출된 단위 공간들은 방이나 복도, 로비와 같은 큰 공간들이며, 이들 공간들은 서로 교집합이 없이 분리되어 있는 상태이다. 본 장에서는 이들 공간을 이어주는 출입문과 같은 작은 공간을 검출하고, 이를 바탕으로 전체 공간 내에서의 단위 공간 간의 인접관계를 도출하고 IndoorGML에서 요구하는 Node- Relation 그래프로 구성하는 방법을 기술한다.
포인트 클라우드로부터 메쉬를 구성하는데 주로 사용되는 푸아송 평면 재구성 기법도 적용해보았지만 수행 시간이 10시간 이상 소요되어 사실상 활용이 불가능하였다. 성능지표로는 재구성된 면을 XY평면에 사영시켰을 때 바닥 면에 해당하는 점들을 포함하는 비율(ﬂoor coverage)과 벽면 점이 재구성된 벽면으로부터 떨어진 거리가 20cm 이하가 되는 점들의 비율(wall coverage)을 계산하였다. 기존 연구는 전체 공간을 하나의 공간으로 나타내었기 때문에 벽면 점들이 재구성된 면으로부터 멀리 떨어져있고, 일부 구조만 재구성되었기 때문에 성능이 매우 낮게 나왔고, 수행 시간이 제안 기법에 비해 평균 1.
2). 우선 주어진 포인트 클라우드로부터 IndoorGML의 Cell Space에 해당하는 공간들을 검출해낸다. 우선적으로 개별 방과 같은 GeneralSpace와 복도나 통로 같은 TransitionSpace를 검출한다.
우선 주어진 포인트 클라우드로부터 IndoorGML의 Cell Space에 해당하는 공간들을 검출해낸다. 우선적으로 개별 방과 같은 GeneralSpace와 복도나 통로 같은 TransitionSpace를 검출한다. 그 이후 탐지된 개별 공간 사이의 연결관계를 추론한 다음, 이를 이용하여 그 사이에 출입문과 같은 Connection Space를 생성해준다.
12에 나타나 있다. 원 데이터에는 좌표값 이외에도 각 점에 대한 색상정보(RGB)가 추가적인 속성으로 부여되어있으나, 본 실험에서는 색상정보는 이용하지 않고 추가 정보가 없는 단순한 점의 집합으로써 활용을 하였다.
13(c)는 이를 바탕으로 인접 관계를 연결하고 쌍대공간 상의 노드와 에지를 논문에서 제안한 방법에 따라 각기 대응되는 단위공간 내에 위치하도록 설정한 결과를 나타낸다. 이 정보를 바탕으로 3차원 기하를 구성하고 이를 IndoorGML로 저장하였다. 이 과정에서 IndoorGML 데이터 생성을 위한 인터페이스를 제공하는 RESTful 서버인 InFactory 소프트웨어³⁾를 이용하였다.

대상 데이터

실험을 위하여 공개데이터인 S3DIS 데이터셋에 있는 포인트 클라우드 데이터(Armeni et al., 2016)를 이용하였다. 데이터는 총 6개의 포인트 클라우드로 이루어져 있으며, 각 포인트 클라우드는 건물의한 층에서 측정한 결과이다.
이 값은 간격 1cm의 그리드 상의 값이므로, 실제 좌표계 상으로는 10cm 이내에 참조점이 있으면서 벽면 점이 없는 방향을 선택하여 1cm씩 확장해나가는 것을 의미한다. 필터링을 위한 직사각형 변의 길이 임계값은 _=1m 로 설정하였으며, 다각형 단순화를 위한 매개변수는 _=2cm, _=20cm를 사용하였다. 출입문 검출을 위한 매개변수로는 _=50cm를 사용하였으며, 이들을 이용하여 공간 및 출입문을 검출한 결과는 Fig.

성능/효과

포인트 클라우드 분할 시에 다수의 인접한 개별 공간이 추출되는 경우(Fig. 15(b))에도 기존 기법은 인접한 두 개의 벽면을 하나의 평면으로 합쳐서 추출하게 되어 가운데에 있는 방의 벽면을 구성할 평면이 존재하지 않게 되는 현상을 관찰할 수 있었다. 이로 인하여 가운데에 위치한 방이 결과에 정상적으로 반영되지 않았다.
기존 기법(Nan and Wonka, 2017)을 활용함에 있어서 개별의 단위 공간으로 분할(segmentation)한 후 각각의 개별 공간에 대하여 기하를 재구성하는 방법을 취할 수 있지만, 완벽하게 분할되었다고 가정하여 수행하는 경우에도 긴 복도와 같은 경우에는 기하 추출에 실패함을 확인할 수 있었다. 또한 포인트 클라우드 측정이나 분할 시에 다양한 오류들이 발생할 수 있는데, 이로 인하여 개별 공간이 평면 재구성에 적합하게 분할되지 않는 경우 많은 문제가 발생할 수 있다.
제안 기법은 각 단위 공간에 대한 자유 공간을 검출한 후 이들 간의 연결 관계를 도출함으로써 전체적인 데이터를 구성하는 과정으로 이루어져 있으며, 실험을 통하여 입력 포인트 클라우드에 대한 실내 공간 모델이 IndoorGML 규격에 적합하게 추출되는 것을 확인할 수 있었다. 또한 부분적으로 추출한 포인트 클라우드 데이터에 대하여 비교 실험을 수행한 결과 기존 기법에 비하여 다양한 오차 유형에 강인한 면을 보임을 관찰할 수 있었다.
이로 인하여 가운데에 위치한 방이 결과에 정상적으로 반영되지 않았다. 또한 천장에 해당하는 평면이 오차로 인하여 2개가 추출이 되었는데, 이로 인하여 3개의 독립적이어야 할 개별 공간들이 비정상적으로 결합된 형태를 나타내는 것을 확인할 수 있다. 이에 비하여 제안 기법은 개별 공간들을 적절히 분리하여 성공적으로 기하를 재구성함을 확인할 수 있었다.
또한 천장에 해당하는 평면이 오차로 인하여 2개가 추출이 되었는데, 이로 인하여 3개의 독립적이어야 할 개별 공간들이 비정상적으로 결합된 형태를 나타내는 것을 확인할 수 있다. 이에 비하여 제안 기법은 개별 공간들을 적절히 분리하여 성공적으로 기하를 재구성함을 확인할 수 있었다.
본 논문에서는 포인트 클라우드 데이터로부터 실내공간을 모델링한 후 이를 실내공간 국제표준인 IndoorGML 데이터의 규격에 맞게 필요한 정보를 추출하고 재구성하는 방법을 제안하였다. 제안 기법은 각 단위 공간에 대한 자유 공간을 검출한 후 이들 간의 연결 관계를 도출함으로써 전체적인 데이터를 구성하는 과정으로 이루어져 있으며, 실험을 통하여 입력 포인트 클라우드에 대한 실내 공간 모델이 IndoorGML 규격에 적합하게 추출되는 것을 확인할 수 있었다. 또한 부분적으로 추출한 포인트 클라우드 데이터에 대하여 비교 실험을 수행한 결과 기존 기법에 비하여 다양한 오차 유형에 강인한 면을 보임을 관찰할 수 있었다.
제안 기법을 통하여 전체 데이터에 대한 재구성을 수행하였을 때 전반적인 건물의 구조가 잘 반영되었지만 일부 개선해야 할 점을 관찰할 수 있었다. Fig.

후속연구

또한 같은 그림의 (B)와 같이 벽면이 반사가 잘 되는 재질로 되어 있는 등의 이유로 인하여 건물 공간 밖에 실제로는 존재하지 않는 구조에 대한 포인트 클라우드가 측정됨에 따라 해당 지점에 독립적인 단위 공간이 검출되는 문제점도 있었다. 이러한 오류들 역시 특정 구역의 지역적 특성에 따른 적응적인 임계 값 조절을 통하여 노이즈를 제거하거나 작은 영역을 필터링하지 않고 남겨두는 등의 추가적인 보완을 통하여 해결할 수 있을 것으로 판단된다.
만약 직사각형 영역을 병합하는 과정에서 필터링 임계치인 _를 높은 값으로 설정하게 되면 이러한 공간 역시 분리할 수 있겠지만, 반대로 크기가 작은 공간들을 검출하지 못하게 되는 문제점이 발생할 수 있다. 이를 해결하기 위해서는 각 구역별로 적응적인 임계 값 설정을 수행할 수 있는 방법을 모색해야할 것으로 판단된다. 또한 Fig.
또한 실내에 위치한 책장이나 옷장과 같은 대형가구에 의하여 탐지되는 벽면이나 천장이나 바닥의 높이가 일정하지 않은 경우를 해결하기 위해 다양한 높이에서 2차원 공간탐지를 수행한 후 병합하는 방향으로 본 논문의 기법을 확장할 수 있는데, 이와 관련되어 발생하는 다양한 문제들에 대하여 다루고자 한다. 추가적으로 실내공간 상에서 표현할 수 있는 다양한 특징들을 자동적으로 탐지 및 구축할 수 있는 방법에 대하여도 연구를 수행할 예정이다.
추후에는 실험을 통하여 관찰된 일부 구조가 미검출 또는 오검출 되는 부분을 해결하기 위하여 노이즈 필터링 기법을 추가하고, 최적의 매개변수를 찾는 문제를 다루고자 한다. 특히 데이터의 지역적 특성에 따라 적응적인 매개변수 조절 기법을 도입함으로써 전반적인 성능을 개선시킬 것이다.
특히 데이터의 지역적 특성에 따라 적응적인 매개변수 조절 기법을 도입함으로써 전반적인 성능을 개선시킬 것이다. 또한 실내에 위치한 책장이나 옷장과 같은 대형가구에 의하여 탐지되는 벽면이나 천장이나 바닥의 높이가 일정하지 않은 경우를 해결하기 위해 다양한 높이에서 2차원 공간탐지를 수행한 후 병합하는 방향으로 본 논문의 기법을 확장할 수 있는데, 이와 관련되어 발생하는 다양한 문제들에 대하여 다루고자 한다.

참고문헌 (17)

Armeni, I., Sener, O., Zamir, A.R., Jiang, H., Brilakis, I., Fischer, M., and Savarese, S. (2016), 3D semantic parsing of large-scale indoor spaces, IEEE Conference on Computer Vision and Pattern Recognition, 27-30 June, Las Vegas, NV, USA, pp.1534-1543.
Claridades, A.R., Lee, J., and Blanco, A. (2018), Using omnidirectional images for semi-automatically generating IndoorGML data, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 36, No. 5, pp. 319-333.

원문보기 상세보기
Jang, H., Yu. K., and Yang. J.H. (2020), Indoor reconstruction from floorplan images with a deep learning approach, ISPRS International Journal of Geo-Information, Vol. 9, No. 2, pp. 65:1-15.

상세보기
Joo, C.H., Kim, J.S., and Li, K.J. (2012), Method for generating IndoorGML derived from CityGML, Proceedings of Korean Society for Geospatial Information Science, 12 October, Seoul, Korea, pp.38-41. (in Korean)
Kang, H.K. and Li, K.J. (2017), A standard indoor spatial data model-OGC IndoorGML and implementation approaches, ISPRS International Journal of Geo-Information, Vol. 6, No. 4, pp. 116:1-25.

상세보기
Kazhdan, M., Bolitho, M., and Hoppe, H. (2006), Poisson surface reconstruction, The 4th Eurographics Symposium on Geometry Processing, 26-28 June, Cagliari, Italy, pp.61-70.
Li, K.J. and Kim, D.M. (2018), Converting triangulated 3D indoor mesh data to OGC IndoorGML, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 36, No. 6, pp. 499-505. (in Korean with English abstract)

원문보기 상세보기
Mirvahabi, S.S. and Abbaspour, R.A. (2015), Automatic extraction of IndoorGML core model from OpenStreetMap, International Archive of the Photogrametry, Remote Sensing and Spatial Information Science, Vol.XL-1/W5, pp. 459-462.
Mura, C., Mattausch, O., and Pajarola, R. (2016), Piecewise-planar reconstruction of multi-room interiors with arbitrary wall arrangements, Computer Graphics Forum, Vol. 35, No.7, pp. 179-188.

상세보기
Nan, L. and Wonka, P. (2017), PolyFit: polygonal surface reconstruction from point clouds, IEEE International Conference on Computer Vision, 22-29 October, Venice, Italy, pp.2372-2380.
Ochmann, S., Vock, R., Wessel, R., and Klein, R. (2016), Automatic reconstruction of parametric building models from indoor point clouds, Computers & Graphics, Vol. 54, pp. 94-103.

상세보기
Qi, C.R., Su, H., Mo, K., and Guibas, L.J. (2017), PointNet: deep learning on point sets for 3D classification and segmentation, IEEE Conference on Computer Vision and Pattern Recognition, 21-26 July, Honolulu, HI, USA, pp.77-85.
Sanchez, V. and Zakhor, A. (2012), Planar 3D modeling of building interiors from point cloud data, IEEE International Conference on Image Processing, 30 September-3 October, Orlando, FL, USA, pp.1777-1780.
Schops, T., Sattler, T., and Pollefeys, M. (2019), SurfelMeshing: online surfel-based mesh reconstruction, IEEE transactions on pattern analysis and machine intelligence, Vol. 42, No. 10, pp.2494-2507.

상세보기
Srivastava, S., Maheshwari, N., and Rajan, K.S. (2018), Towards generating semantically-rich IndoorGML data from architectural plans, International Archive of the Photogrametry, Remote Sensing and Spatial Information Science, Vol. XLII-4, pp. 591-595.
Teo, T.A and Yu, S.C. (2017), The extraction of indoor building information from BIM to OGC IndoorGML, International Archive of the Photogrametry, Remote Sensing and Spatial Information Science, Vol.XLII-4/W2, pp. 167-170.
Williams, F., Schneider, T., Silva, C., Zorin, D., Bruna, J., and Panozzo, D. (2019), Deep geometric prior for surface reconstruction, IEEE/CVF Conference on Computer Vision and Pattern Recognition, 15-20 June, Long Beach, CA, USA, pp.10122-10131.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증