利用地面意识提升野外大规模点云分割中的深度学习性能
计算机视觉与模式识别
2025-01-31 v1
摘要
本文分析了利用elevation数据来辅助遥感中野外点云语义分割的效果，具体针对城市建成区。在稠密野外点云中，机器学习模型的感受野可能过小，以无法准确确定点的周围环境和上下文。通过从点云计算数字地形模型(DTM)，我们提取了相对elevation特征，即从地形到点的垂直距离。采用RandLA-Net对大规模点云进行高效语义分割。我们在三个不同环境的野外数据集上进行评估，这些数据集使用不同传感器技术和传感器位置。相对elevation数据的集成在所有三个数据集上都导致了一致的性能提升，尤其是在Hessigheim数据集上，平均F1分数从72.35%提升至76.01%，通过在地面与物体之间建立长程依赖关系实现。我们还探索了其他局部特征，如平面度、法向量和2D特征，但其效果取决于点云的特征。最终，本研究强调了非局部相对elevation特征在遥感应用中进行点云语义分割中的重要作用。
引用
@article{arxiv.2501.18246,
title = {Ground Awareness in Deep Learning for Large Outdoor Point Cloud Segmentation},
author = {Kevin Qiu and Dimitri Bulatov and Dorota Iwaszczuk},
journal= {arXiv preprint arXiv:2501.18246},
year = {2025}
}
备注
This paper has been accepted for presentation at the GRAPP 2025 conference