跨数据集语义分割绩效分析：统一 NIST 点云城市数据集用于 3D 深度学习
计算机视觉与模式识别
2025-08-04 v1
摘要
本研究分析了与公共安全应用相关的异构标注点云数据集的语义分割绩效，包括源自激光扫描的事前计划系统。使用 NIST 的点云城市数据集 (Enfield 与 Memphis 集合)，我们调查了统一不同标注 3D 数据的挑战。我们的方法采用分层模式，采用 KPConv 架构进行评估，通过 IoU 指标评估与安全相关特征的性能。结果表明绩效存在变异：几何尺寸较大的对象（如楼梯、窗户）实现更高的分割绩效，表明其在导航语境中的潜力，而更小的安全关键特征则表现较低。这表明类不平衡和更小对象的几何区分有限（在典型激光扫描中）会影响性能，指出当前点云方法在检测某些安全相关特征方面的局限性。关键识别挑战包括标注数据不足、跨数据集统一类别标签的困难以及标准化需求。潜在方向包括自动标注和多数据集学习策略。我们得出结论，针对公共安全的可靠点云语义分割需要标准化的标注协议和改进的标注技术，以解决数据异构性和小型安全关键元素检测的问题。
引用
@article{arxiv.2508.00822,
title = {Cross-Dataset Semantic Segmentation Performance Analysis: Unifying NIST Point Cloud City Datasets for 3D Deep Learning},
author = {Alexander Nikitas Dimopoulos and Joseph Grasso},
journal= {arXiv preprint arXiv:2508.00822},
year = {2025}
}