基于 MLS 的城市植被点云语义分割深度学习架构基准评测
计算机视觉与模式识别
2024-05-02 v3
摘要
植被对可持续和韧性城市至关重要，提供多种生态系统服务并关乎人类福祉。然而，随着快速城市化与基础设施足迹扩张，植被正承受严峻压力。因此，在城市环境中绘制植被地图十分必要。近来，用于点云语义分割的深度学习已取得显著进展。先进模型力求在包含多类别且代表真实场景的基准数据集上获得最优（SOTA）性能。然而，针对植被点的类特定分割尚未被探索。因此，用于植被点分割的深度学习模型选择尚不明确。为解决该问题，我们对基于点的深度学习模型用于植被类语义分割提供全面评估。我们选取了七个具代表性的基于点的模型，即 PointCNN、KPConv（全监督）、RandLANet、SCFNet、PointNeXt、SPoTr 与 PointMetaBase。这些模型在三个不同数据集上考察，具体为 Chandigarh、Toronto3D 与 Kerala，其特征是植被性质多样、场景复杂度各异，且逐点特征与类间构成不断变化。PointMetaBase 与 KPConv（全监督）分别在 Chandigarh（95.24%）与 Toronto3D 数据集（91.26%）上取得最高 mIoU，而 PointCNN 在 Kerala 数据集上提供最高 mIoU（85.68%）。本文对这些模型用于植被分割的工作机制给出了迄今未见的更深入见解，并概述了应包含在专为植被分割设计模型中的要素。本文是迈向开发用于植被点分割的新型架构的一步。
引用
@article{arxiv.2306.10274,
title = {Benchmarking Deep Learning Architectures for Urban Vegetation Point Cloud Semantic Segmentation from MLS},
author = {Aditya Aditya and Bharat Lohani and Jagannath Aryal and Stephan Winter},
journal= {arXiv preprint arXiv:2306.10274},
year = {2024}
}
备注
The paper has been accepted for publication in IEEE Transactions on Geoscience and Remote Sensing. DOI: 10.1109/TGRS.2024.3381976