面向三维ALS点云变化检测的深度无监督学习

传统二维光学影像的变化检测在建模物体高度或形状变化方面的能力有限。利用摄影测量或激光雷达测量所得三维点云进行变化检测，可通过提供关键的深度信息弥补这一不足。尽管现有大多数基于机器学习的三维点云变化检测方法为有监督方法，但它们严重依赖于标注训练数据的可用性，这在实际中是一个关键瓶颈。为规避这一依赖，我们提出一种主要基于自监督学习（采用深度聚类与对比学习）的无监督三维点云变化检测方法。该方法还通过对最近点比较将深度变化向量分析适配至三维点云。在航空激光雷达测量数据集上的实验表明，相较于传统无监督方法，所提方法性能更优，平均准确率提升约9%（达到85%以上）。因此，在无法保证先验知识（标签）的场景中，该方法是一种合适的选择。