基于真实获取条件的航空LiDAR点云语义分割深度学习模型基准测试：于巴斯克洛普研究
计算机视觉与模式识别
2026-03-24 v1
摘要
深度学习的近期进展显著提升了3D语义分割，但大多数模型聚焦于室内或陆地数据集。其在真实航空获取条件下的表现仍不充分探索。尽管已有少数研究针对类似场景，但数据集设计、获取条件和模型选择存在差异。为填补这一空白，我们在巴斯克洛普（Navarre）进行实验基准测试，评估多个最新架构在该地区在异构城市、农村和工业景观下的大规模航空LiDAR数据集上的表现。该研究比较了KPConv、RandLA-Net、Superpoint Transformer和Point Transformer V3四个代表性深度学习模型，在包括地面、植被、建筑物和车辆等五个常见语义类别上进行评估，突出了航空数据中类别不平衡和几何变异性带来的挑战。结果显示，所有测试模型的总体准确率均超过93%，其中KPConv通过在各类别上实现一致性能，尤其在挑战性和欠代表征类别上达到最高的平均IoU（78.51%）。Point Transformer V3在欠代表征的车辆类别上表现突出（75.11% IoU），而Superpoint Transformer和RandLA-Net则在分割鲁棒性和计算效率之间进行权衡。
引用
@article{arxiv.2603.22229,
title = {Benchmarking Deep Learning Models for Aerial LiDAR Point Cloud Semantic Segmentation under Real Acquisition Conditions: A Case Study in Navarre},
author = {Alex Salvatierra and José Antonio Sanz and Christian Gutiérrez and Mikel Galar},
journal= {arXiv preprint arXiv:2603.22229},
year = {2026}
}
备注
6 pages, 2 figures