从点云学习数字地形模型：ALS2DTM数据集与基于栅格化的GAN
计算机视觉与模式识别
2022-06-09 v1 图像与视频处理
摘要
尽管深度神经网络在各领域广受欢迎，从机载激光扫描（ALS）点云中提取数字地形模型（DTMs）仍然具有挑战性。这可能是由于缺乏专用的规模化标注数据集，以及点云与DTMs之间的数据结构差异。为促进数据驱动的DTM提取，本文从公开来源收集了一个包含各种城市、森林和山地场景的ALS点云及对应DTMs的大规模数据集。我们提出了一种基线方法，作为首次尝试训练深度神经网络通过栅格化技术直接从ALS点云提取数字地形模型，称为DeepTerRa。我们使用成熟的方法进行了广泛研究，以对该数据集进行基准测试并分析从点云学习提取DTM的挑战。实验结果显示了这种不可知数据驱动方法的优势，其误差水平低于米级，优于专为DTM提取设计的方法。数据和源代码已在 https://lhoangan.github.io/deepterra/ 提供，以便复现和进一步的类似研究。
引用
@article{arxiv.2206.03778,
title = {Learning Digital Terrain Models from Point Clouds: ALS2DTM Dataset and Rasterization-based GAN},
author = {Hoàng-Ân Lê and Florent Guiotte and Minh-Tan Pham and Sébastien Lefèvre and Thomas Corpetti},
journal= {arXiv preprint arXiv:2206.03778},
year = {2022}
}