Tinto：地球科学中用于三维高光谱点云分割的多传感器基准数据集
计算机视觉与模式识别
2023-12-07 v2 机器学习
图像与视频处理
摘要
深度学习技术的日益使用减少了判读时间，并理想地通过从数字露头模型自动推导地质图来减少判读者偏差。然而，由于地质填图的主观性以及收集定量验证数据的困难，对这些自动化填图方法进行准确验证是一项重大挑战。此外，许多最先进的深度学习方法仅限于 2D 图像数据，这对于如超点云之类的三维数字露头而言是不够的。为应对这些挑战，我们提出 Tinto，一个多传感器基准数字露头数据集，旨在促进用于地质填图的深度学习方法的开发与验证，尤其是针对点云等非结构化三维数据。Tinto 包含两组互补数据：1) 来自西班牙 Corta Atalaya 的真实数字露头模型，带有光谱属性与真值数据；2) 一个合成孪生数据集，利用原始数据集中的潜在特征从真值重建逼真的光谱数据（包括传感器噪声与处理伪影）。该点云密集，包含 3,242,964 个带标注点。我们利用这些数据集探索了不同深度学习方法进行自动地质填图的能力。通过公开 Tinto，我们希望促进地球科学中三维应用的新深度学习工具的开发与适配。数据集可通过此链接访问：https://doi.org/10.14278/rodare.2256。
引用
@article{arxiv.2305.09928,
title = {Tinto: Multisensor Benchmark for 3D Hyperspectral Point Cloud Segmentation in the Geosciences},
author = {Ahmed J. Afifi and Samuel T. Thiele and Aldino Rizaldy and Sandra Lorenz and Pedram Ghamisi and Raimon Tolosana-Delgado and Moritz Kirsch and Richard Gloaguen and Michael Heizmann},
journal= {arXiv preprint arXiv:2305.09928},
year = {2023}
}