面向叶/木区分的稀疏不规则点云语义分割
计算机视觉与模式识别
2024-01-11 v3 机器学习
摘要
LiDAR（光探测与测距）已成为用于生物圈监测的遥感工具箱中不可或缺的一部分。特别是，LiDAR 提供了以空前精度绘制森林叶面积的机会，而叶面积一直是影响植被与大气间气体交换模型的重要不确定性来源。无人机（UAV）易于调度，因此能够频繁重访以追踪植被对气候变化的响应。然而，搭载于无人机上的微型传感器通常提供密度有限的点云，并且由于自上而下逐渐增强的遮挡，冠层从上到下的密度急剧下降。在此背景下，将叶点从木点中区分出来是一项重大挑战，其尤其源于严重的类别不平衡与空间不规则的采样强度。本文我们引入一种基于 Pointnet++ 架构的神经网络模型，该模型仅利用点几何信息（排除任何光谱信息）。为应对局部数据稀疏性，我们提出一种力求保留局部重要几何信息的创新采样方案。我们还提出一种适应严重类别不平衡的损失函数。我们表明，我们的模型在无人机点云上优于最先进的替代方法。我们讨论了未来可能的改进，特别是关于从冠层下方获取的更密集点云。
引用
@article{arxiv.2305.16963,
title = {Semantic segmentation of sparse irregular point clouds for leaf/wood discrimination},
author = {Yuchen Bai and Jean-Baptiste Durand and Grégoire Vincent and Florence Forbes},
journal= {arXiv preprint arXiv:2305.16963},
year = {2024}
}
备注
Accepted to NeurIPS 2023