城市高密度多光谱点云的无监督语义分割
计算机视觉与模式识别
2024-10-25 v1
摘要
高度精确的城市空中激光扫描（ALS）数据将在未来快速增长，尤其是通过无人机等方式降低获取成本。当前的数据处理挑战包括多数ALS数据集中缺乏光谱信息和点密度较低的限制。另一个挑战是日益增长的需要注释训练数据，这些数据经常通过手动过程产生，以启用点云的语义解释。本研究提出使用基于无监督的基于地面感知的深度聚类方法GroupSP对新建的高密度（平均每平方米1200个点）多光谱ALS数据进行语义分割。GroupSP将场景划分为超点作为预处理步骤。神经网络通过对超点进行分组并使用分组分配作为伪标签进行迭代训练。对未见数据进行预测，通过对测试集进行过分割并将预测类别映射到手动或自动多数投票中的真实类别。GroupSP获得了97%的总体准确率（oAcc）和80%的平均交并比（mIoU）。当与其他无监督语义分割方法相比时，GroupSP在准确率和mIoU方面均优于GrowSP和非深度K-means。然而，监督式随机森林分类器在GroupSP方面表现更好。本研究表明，GroupSP仅使用映射分配中可用注释点的0.004%即可实现对七类城市类别（建筑物、高植被、低植被、沥青、岩石、足球场和碎石）的语义分割，oAcc为95%，mIoU为75%。此外，还考察了多光谱信息；添加每个新的光谱通道都提高了mIoU。此外，回波偏差在区分地面类别方面尤为有价值。
引用
@article{arxiv.2410.18520,
title = {Unsupervised semantic segmentation of urban high-density multispectral point clouds},
author = {Oona Oinonen and Lassi Ruoppa and Josef Taher and Matti Lehtomäki and Leena Matikainen and Kirsi Karila and Teemu Hakala and Antero Kukko and Harri Kaartinen and Juha Hyyppä},
journal= {arXiv preprint arXiv:2410.18520},
year = {2024}
}
备注
22 pages, 11 figures