深度不平衡多目标回归：模拟森林中 3D 点云体素内容估计
计算机视觉与模式识别
2025-11-18 v1
摘要
体素化是降低处理 LiDAR 数据计算成本的有效方法，但会导致细尺度结构信息的丢失。本研究探讨了从 Digital Imaging and remote Sensing Image Generation (DIRSIG) 软件收集的高层次体素化 LiDAR 点云数据中，能否推断出低层次体素内容信息，即体素内靶标占比百分比。本研究中的靶标包括树皮、叶片、土壤和杂项材料。我们提出了一种在不平衡学习情境下的多目标回归方法，采用 Kernel Point Convolutions (KPConv)。我们的研究利用称为密度相关性 (density-based relevance, DBR) 的以成本为中心的学习来处理类别不平衡问题。我们采用加权均方误差 (MSE)、Focal Regression (FocalR) 和正则化来改进 KPConv 的优化。本研究对体素大小 (0.25 - 2 米) 进行敏感性分析，以评估各种网格表示在捕捉森林细微差异方面的效果。该敏感性分析表明，较大的体素大小（例如 2 米）导致较低的误差，因为波动性较小；而较小的体素大小（例如 0.25 或 0.5 米）则表现出更高的误差，特别是在树冠内部，那里的波动性最大。对于树皮和叶片靶标，在较小体素大小数据集 (0.25 和 0.5 米) 上的误差值显著高于较大体素大小数据集 (2 米) 的误差值，凸显了在细分辨率下准确估计树冠内部体素内容的难度。这表明体素大小的选择取决于具体应用场景。本工作填补了深度不平衡学习模型用于模拟森林 3D LiDAR 点云多目标回归的空白。
引用
@article{arxiv.2511.12740,
title = {Deep Imbalanced Multi-Target Regression: 3D Point Cloud Voxel Content Estimation in Simulated Forests},
author = {Amirhossein Hassanzadeh and Bartosz Krawczyk and Michael Saunders and Rob Wible and Keith Krause and Dimah Dera and Jan van Aardt},
journal= {arXiv preprint arXiv:2511.12740},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication