面向多光谱LiDAR森林点云语义分割的无监督深度学习

利用激光扫描系统从森林环境中捕获的点云可被广泛应用于林学和植物生态学中的各种任务，如树干属性估计、叶角分布和以上地面生物量估计。然而，有效利用这些数据需要将数据进行语义分割以区分为木质点和叶片点，也称为叶-木分离。传统的叶-木分离方法基于几何和辐射计量的无监督算法，在即使点密度很高的情况下，也往往在使用空中激光扫描（ALS）系统捕获的数据上表现不佳。虽然最近的机器学习和深度学习方法即使在稀疏点云上也取得了很好的结果，但它们需要手动标记的训练数据，而这往往是极其繁琐的。多光谱（MS）信息被证明有潜力提高叶-木分离的准确度，但其实际效果的定量评估尚缺乏。本研究提出一种全无监督的深度学习方法GrowSP-ForMS，专为叶-木分离高密度MS ALS点云而设计，基于GrowSP架构。GrowSP-ForMS在我们的MS测试集上实现了84.3%的平均准确率和69.6%的平均交并比（mIoU），显著优于无监督参考方法。与受监督的深度学习方法相比，我们的方法在准确性上与稍旧的PointNet架构相当，但被更近期的方法超越。最后，进行了两项消融研究，表明我们提出的改进使GrowSP-ForMS的测试集mIoU比原始GrowSP模型提高了29.4个百分点，利用MS数据相对于单光谱情况可提高mIoU 5.6个百分点。