生成合成摄影测量数据以训练基于深度学习的 3D 点云分割模型
计算机视觉与模式识别
2020-08-25 v1
摘要
在 I/ITSEC 2019 上，作者提出了一种全自动工作流，用于分割 3D 摄影测量点云/网格并提取目标信息，包括单株树木位置与地表材质（Chen 等，2019）。最终目标是创建逼真的虚拟环境并提供仿真所需信息。我们使用美国陆军 One World Terrain（OWT）项目下创建的包含多种地貌（即不同建筑风格、植被类型和城市密度）和不同数据质量（即飞行高度与影像重叠度）的数据库，测试了先前提出框架的泛化能力。尽管该数据库比现有数据库大得多，但由于目前缺乏用于训练和验证的大规模数据集，深度学习算法是否在精度方面真正发挥了全部潜力仍属未知。获取大型带标注的 3D 点云数据库耗时耗力，不仅因为数据必须由训练有素的人员手动标注，也因为原始数据收集与处理方面的困难。此外，分割模型通常难以区分建筑物与树丛等目标，且此类场景在收集的数据集中并非总是存在。因此，本研究旨在探究使用合成摄影测量数据替代真实世界数据来训练深度学习算法。我们研究了生成合成无人机摄影测量数据的方法，以提供足够规模的数据库来训练深度学习算法，并能够针对深度学习模型难以处理的场景扩充数据规模。
引用
@article{arxiv.2008.09647,
title = {Generating synthetic photogrammetric data for training deep learning based 3D point cloud segmentation models},
author = {Meida Chen and Andrew Feng and Kyle McCullough and Pratusha Bhuvana Prasad and Ryan McAlinden and Lucio Soibelman},
journal= {arXiv preprint arXiv:2008.09647},
year = {2020}
}