通过学习曲面异常来评估自然环境点云中的显著性得分
计算机视觉与模式识别
2024-08-27 v1 机器学习
摘要
近年来，三维点云数据被越来越多地用于记录自然环境。每个数据集包含多样化的对象，这些对象在形状和大小上各不相同，分布在数据各处，并且与地形错综复杂地交织在一起。因此，难以找到感兴趣的区域，随之而来的分析也变得具有挑战性。灵感来自视觉感知原理，我们提出通过评估它们与周围环境的区别程度（即几何显著性）来区分感兴趣的对象。以往的显著性检测方法主要使用手工设计的属性，但当数据过于噪声或纹理较高时，这些方法会失败。本文提出一种基于学习的机制，能够容纳噪声和带纹理的表面。我们假设，在自然环境中，任何与主流表面不同的变化都表明是一个显著对象。因此，我们首先学习底层表面，然后在其内部搜索异常。最初，一个深度神经网络被训练来重建该表面。在原始点云中与重建部分显著偏差的区域会产生 substantial 的重建误差，从而表明一个异常，即显著性。我们通过在各种自然场景中搜索显著特征（这些场景由不同的采集平台获取），展示了所提出方法的有效性。我们显示，重建误差与显著对象之间存在很强的相关性。
引用
@article{arxiv.2408.14421,
title = {Evaluating saliency scores in point clouds of natural environments by learning surface anomalies},
author = {Reuma Arav and Dennis Wittich and Franz Rottensteiner},
journal= {arXiv preprint arXiv:2408.14421},
year = {2024}
}