变化检测需要变化信息：改进深度三维点云变化检测
计算机视觉与模式识别
2024-10-28 v2
摘要
变化检测是一项重要任务，可快速识别被修改的区域，尤其是在涉及多时相数据时。在具有复杂几何形态（例如城市环境）的景观中，垂直信息是非常有用的知识来源，可突出变化并将其分类为不同类别。在本研究中，我们专注于直接使用原始三维（3D）点云（PCs）进行变化分割，以避免因栅格化过程造成任何信息损失。虽然深度学习最近已通过连体网络编码信息证明了其对该特定任务的有效性，但我们在本文中探究了在深度网络早期步骤中也使用变化信息的想法。为此，我们首先提出为连体 KPConv 最先进（SoTA）网络提供手工设计特征，特别是与变化相关的特征，这将变化类别的交并比（IoU）均值提高了 4.70%。考虑到由于该变化相关特征获得了重大改进，我们随后提出三种新架构来解决 3D PC 变化分割问题：OneConvFusion、Triplet KPConv 和 Encoder Fusion SiamKPConv。所有这些网络都在早期步骤中考虑变化信息，并优于 SoTA 方法。特别地，Encoder Fusion SiamKPConv 在变化类别的 IoU 均值上超越 SoTA 方法超过 5%，强调了让网络聚焦于变化信息对于变化检测任务的价值。代码可在 https://github.com/IdeGelis/torch-points3d-SiamKPConvVariants 获取。
引用
@article{arxiv.2304.12639,
title = {Change detection needs change information: improving deep 3D point cloud change detection},
author = {Iris de Gélis and Thomas Corpetti and Sébastien Lefèvre},
journal= {arXiv preprint arXiv:2304.12639},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication