一种面向屋顶平面分割的欧氏与嵌入空间边界感知点聚类方法
计算机视觉与模式识别
2024-10-04 v2
摘要
从机载LiDAR点云进行屋顶平面分割是三维建筑模型重建的重要技术。平面分割的关键问题之一是如何设计可精确区分相邻平面片的特征。点特征的质量直接决定屋顶平面分割的精度。大多数现有方法使用手工特征提取屋顶平面。然而，这些特征的能力相对较低，尤其在边界区域。为解决该问题，我们提出一种由多任务深度网络构建的欧氏与嵌入空间中边界感知点聚类方法用于屋顶平面分割。我们设计了一个三分支网络来预测语义标签、点偏移并提取深度嵌入特征。在第一分支中，我们将输入数据分类为非屋顶、边界和平面点。在第二分支中，我们预测点偏移以将每个点移向其对应实例中心。在第三分支中，我们约束同一平面实例的点应具有相似嵌入。我们旨在确保同一平面实例的点在欧氏与嵌入空间中尽可能接近。然而，尽管深度网络具有强特征表示能力，仍难以准确区分平面实例边界附近的点。因此，我们首先在两空间中将平面点分组为许多簇，然后将剩余边界点分配给其最近簇以生成最终完整屋顶平面。以此方式，我们可有效降低不可靠边界点的影响。此外，我们准备了合成数据集与两个真实数据集来训练和评估我们的方法。实验结果表明所提方法显著优于现有最先进方法。
引用
@article{arxiv.2309.03722,
title = {A boundary-aware point clustering approach in Euclidean and embedding spaces for roof plane segmentation},
author = {Li Li and Qingqing Li and Guozheng Xu and Pengwei Zhou and Jingmin Tu and Jie Li and Mingming Li and Jian Yao},
journal= {arXiv preprint arXiv:2309.03722},
year = {2024}
}