LiDAR 三维点云中的机器学习
计算机视觉与模式识别
2021-01-26 v1 机器学习
摘要
LiDAR 点云包含复杂自然场景的测量数据，可用于更新数字高程模型、冰川监测、探测断层与测量隆起、森林调查、探测海岸线与海滩体积变化、滑坡风险分析、栖息地制图以及城市发展等。一个非常重要的应用是将三维点云分类为基本的类别。例如，它可用于区分植被、人造结构与水。我们的目标是给出一个包含若干类特征工程的 LiDAR 三维点云数据分类的初步比较研究。特别地，我们证明通过用其邻域点的信息扩充 LiDAR 点云中的每个点来提供上下文，可提升下游学习算法的性能。我们还尝试了若干降维策略，从主成分分析（PCA）到基于神经网络的自编码器，并展示它们如何影响 LiDAR 点云中的分类性能。例如，我们观察到将特征工程与诸如 PCA 的降维方法结合，相较于使用原始数据直接分类，分类精度有所提升。
引用
@article{arxiv.2101.09318,
title = {Machine Learning in LiDAR 3D point clouds},
author = {F. Patricia Medina and Randy Paffenroth},
journal= {arXiv preprint arXiv:2101.09318},
year = {2021}
}
备注
21 pages, 12 figures