通过激光雷达视角：面向陆地点云分割的特征丰富化与不确定性感知标注管线
计算机视觉与模式识别
2026-02-10 v3 机器人学
摘要
准确的陆地激光扫描（TLS）点云语义分割受限于昂贵的手动标注。我们提出了半自动化、面向不确定性的管线，集成球面投影、特征丰富化、集成学习与针对性标注，以降低标注成本，同时维持高精度。该方法将3D点投影至二维球面网格，利用多源特征丰富化像素，并训练多个分割网络生成伪标签与不确定性图，后者引导对模糊区域的标注。二维输出反向投影至3D，得到密集标注的点云，配合三层可视化套件（2D特征图、3D彩色点云及紧凑虚拟球）实现快速分流与审阅指引。通过该管线，我们构建了Mangrove3D数据集，用于红树林语义分割。进一步评估数据效率与特征重要性，回答两个关键问题：（1）需标注多少数据，（2）哪些特征最重要。结果显示，性能在约12个扫描数据后趋于饱和，几何特征贡献最大，紧凑的九通道特征堆叠几乎捕获了 nearly all 判别性功效，平均交并比（mIoU）在约0.76处平台化。最后，我们通过ForestSemantic和Semantic3D上的跨数据集测试，确认了特征丰富化策略的泛化性。我们的贡献包括：（i）具备可视化工具的稳健、面向不确定性的TLS标注管线；（ii）Mangrove3D数据集；（iii）关于数据效率与特征重要性的实证指导，从而为生态监测及更广泛应用场景下的TLS点云大规模高质量分割提供支持。数据集与处理脚本已公开于 https://fz-rit.github.io/through-the-lidars-eye/。
引用
@article{arxiv.2510.06582,
title = {Through the Perspective of LiDAR: A Feature-Enriched and Uncertainty-Aware Annotation Pipeline for Terrestrial Point Cloud Segmentation},
author = {Fei Zhang and Rob Chancia and Josie Clapp and Amirhossein Hassanzadeh and Dimah Dera and Richard MacKenzie and Jan van Aardt},
journal= {arXiv preprint arXiv:2510.06582},
year = {2026}
}
备注
40 pages (28 main text), 20 figures, 4 supplementary materials; links to 3D point animations are included in the last table