3DMASC：可访问、可解释的3D点云分类——应用于双光谱地形-水深激光雷达数据
图像与视频处理
2024-01-19 v1
摘要
在过去的几十年里，三维数据在地球观测中越来越常见。然而，由于缺乏可访问和可解释的自动分类方法，许多3D测量数据仍未得到充分利用，例如新的地形-水深激光雷达数据。在这项工作中，我们引入了基于多属性、尺度和云的可解释机器学习用于3D数据分类，即3DMASC，一种新的工作流程。该工作流程通过双云特征引入多云分类，加密了局部光谱和几何比率及差异。3DMASC使用适用于所有类型3D点云的经典多尺度描述符，以及基于其空间变化的新描述符。在本文中，我们展示了3DMASC在沿海和河流环境中对地形-水深激光雷达数据进行多类分类的性能。我们展示了多变量和嵌入式特征选择如何构建复杂度降低的优化预测因子集，并识别出对沿海和河岸场景描述特别相关的特征。我们的结果显示了双云特征、特定尺度上平均的激光雷达回波属性以及基于维度和光谱特征的统计量的重要性。此外，它们表明中小型球形邻域直径（<7米）足以构建有效的分类器，特别是当与到地面或到水面的距离特征结合时。在不使用可选的RGB信息且最多使用37个描述符的情况下，我们在每类少于2000个样本的训练模型上，对于复杂的多类任务获得了91%的分类准确率，对于较低级别的处理获得了98%的分类准确率。与经典点云分类方法的比较表明，3DMASC特征具有显著增强的描述能力。我们的贡献通过CloudCompare软件中的插件提供，允许非专业用户为任何类型的3D数据（机载或地面激光雷达、运动恢复结构）创建分类器，以及两个标记的地形-水深激光雷达数据集，可在https://opentopography.org/上获取。
引用
@article{arxiv.2401.09481,
title = {3DMASC: Accessible, explainable 3D point clouds classification. Application to Bi-spectral Topo-bathymetric lidar data},
author = {Mathilde Letard and Dimitri Lague and Arthur Le Guennec and Sébastien Lefèvre and Baptiste Feldmann and Paul Leroy and Daniel Girardeau-Montaut and Thomas Corpetti},
journal= {arXiv preprint arXiv:2401.09481},
year = {2024}
}