基于深度学习的无手动标签 TLS 点云三维小麦头实例分割
计算机视觉与模式识别
2026-03-17 v1
摘要
3D 实例分割在激光扫描（LiDAR）点云上仍是许多遥感相关领域的挑战。成功的解决方案通常依赖于监督式深度学习和手动标注，因而聚焦于可以通过视觉检查和手动标注点云中较清晰描绘的对象。然而，对于更复杂且杂乱的场景，如农业中的现场植物表型鉴定，这类方法往往不可行。本研究直接针对大气激光扫描（TLS）点云中的现场小麦头实例分割开展工作。为解决此问题并规避手动标注需求，我们提出一种新颖的两阶段管线。第一阶段使用 3D 到 2D 多视图投影、Grounded SAM 管线进行零样本 2D 对象导向分割，以及多视图标签融合获取初始的 3D 实例提案。第二阶段将这些初始提案作为带噪声的伪标签训练监督式 3D 全景式分割神经网络。我们的结果表明该方法的可行性，并显示相对于 Wheat3DGS（一种基于多视图 RGB 图像和 3D 高斯溶解实现无手动 3D 标注的近期替代方案）的性能提升，展示了 TLS 作为竞争性感知替代方案的潜力。此外，结果表明本管线的两个阶段均可在无需手动标注的情况下提供可用 3D 实例分割，表明其在其他类似 TLS 基于点云分割任务中具有前景的、低维护的可转移性。
引用
@article{arxiv.2603.14309,
title = {In-Field 3D Wheat Head Instance Segmentation From TLS Point Clouds Using Deep Learning Without Manual Labels},
author = {Tomislav Medic and Liangliang Nan},
journal= {arXiv preprint arXiv:2603.14309},
year = {2026}
}
备注
to be published in ISPRS Annals of Photogrammetry and Remote Sensing at XXV ISPRS Congress, Toronto, Canada, July 2026, 8 pages, 5 figures