基于 RandLA-Net 迁移学习的点云分割：以城市区域为例的研究
计算机视觉与模式识别
2023-12-20 v1 机器学习
摘要
城市环境以复杂的结构和多样的特征为特点，使得点云数据的精确分割成为一项具有挑战性的任务。本文对应用 RandLA-Net（一种 SOTA 神经网络架构）进行城市区域大规模点云数据的 3D 分割进行了全面研究。该研究聚焦于三个主要的中国城市，即成都、交大和深圳，利用它们的独特特征来提升分割性能。为了解决这些特定城市区域标注数据可用性有限的问题，我们采用了迁移学习技术。我们将从 Sensat Urban 和 Toronto 3D 数据集中学习到的权重迁移过来，以初始化我们的 RandLA-Net 模型。此外，我们进行了类别重映射以使模型适应目标城市区域，确保准确的分割结果。实验结果证明了所提方法的有效性，在每个区域的 3D 点云分割中均取得了超过 80% 的 F1 分数。迁移学习策略被证明在克服数据稀缺问题方面至关重要，为城市点云分析提供了稳健的解决方案。这些发现推动了点云分割方法的发展，尤其是在快速演变的中国城市区域的背景下。
关键词
引用
@article{arxiv.2312.11880,
title = {Point Cloud Segmentation Using Transfer Learning with RandLA-Net: A Case Study on Urban Areas},
author = {Alperen Enes Bayar and Ufuk Uyan and Elif Toprak and Cao Yuheng and Tang Juncheng and Ahmet Alp Kindiroglu},
journal= {arXiv preprint arXiv:2312.11880},
year = {2023}
}