基于多光谱点云语义分割的河流地覆盖图映射
计算机视觉与模式识别
2026-03-24 v1
摘要
河流环境中准确的地覆盖映射对于有效的河流管理、生态理解和地貌变更监测至关重要。本研究探索了Point Transformer v2（PTv2）这种一种用于点云数据的先进深度神经网络架构，应用于河流环境中多光谱LiDAR数据集的语义分割进行地覆盖映射。我们利用来自奥兰卡河（Oulanka river） northern Finland（北芬兰）的数据集中3通道LiDAR点云的几何和光谱信息，映射包括沙丘、砾石、低植被、高植被、森林地面和水域等地覆盖类别。PTv2模型在几何和光谱特征上进行训练和评估。为提高模型在新河流环境中的泛化能力，我们还额外研究了多数据集训练，通过添加来自另一个河流数据集的稀疏标注数据。结果表明，使用完整特征配置可实现0.950的平均交并比（mIoU），显著优于几何基线。其他消融研究发现，强度和反射率特征是实现准确地覆盖映射的关键。多数据集训练实验显示，泛化性能得到提高，表明即使在数据有限高质量标注的情况下，也有望开发出更稳健的模型。我们的工作表明，Transformer-based架构可应用于河流环境中的多光谱点云，为监测沉积物输运及其他河流管理应用提供了新能力。
引用
@article{arxiv.2603.22230,
title = {Riverine Land Cover Mapping through Semantic Segmentation of Multispectral Point Clouds},
author = {Sopitta Thurachen and Josef Taher and Matti Lehtomäki and Leena Matikainen and Linnea Blåfield and Mikel Calle Navarro and Antero Kukko and Tomi Westerlund and Harri Kaartinen},
journal= {arXiv preprint arXiv:2603.22230},
year = {2026}
}