論文の概要: Unsupervised semantic segmentation of urban high-density multispectral point clouds

• arxiv url: http://arxiv.org/abs/2410.18520v1
• Date: Thu, 24 Oct 2024 08:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:50:05.246775
• Title: Unsupervised semantic segmentation of urban high-density multispectral point clouds
• Title（参考訳）: 都市高密度マルチスペクトル点雲の教師なしセマンティックセマンティックセマンティクス
• Authors: Oona Oinonen, Lassi Ruoppa, Josef Taher, Matti Lehtomäki, Leena Matikainen, Kirsi Karila, Teemu Hakala, Antero Kukko, Harri Kaartinen, Juha Hyyppä,
• Abstract要約: 高度に正確な都市型空中レーザースキャン(ALS)データの提供は、将来的には急速に増加するだろう。 データ処理における現在の課題は、ほとんどのALSデータセットの限られたスペクトル情報と低点密度に関連している。 本研究では,教師なしの深層クラスタリング手法GroupSPを用いて,新しい高密度(平均平方メートル当たり1200点)のマルチスペクトルALSデータを意味的に分割することを提案する。
• 参考スコア（独自算出の注目度）: 1.5514592342516158
• License:
• Abstract: The availability of highly accurate urban airborne laser scanning (ALS) data will increase rapidly in the future, especially as acquisition costs decrease, for example through the use of drones. Current challenges in data processing are related to the limited spectral information and low point density of most ALS datasets. Another challenge will be the growing need for annotated training data, frequently produced by manual processes, to enable semantic interpretation of point clouds. This study proposes to semantically segment new high-density (1200 points per square metre on average) multispectral ALS data with an unsupervised ground-aware deep clustering method GroupSP inspired by the unsupervised GrowSP algorithm. GroupSP divides the scene into superpoints as a preprocessing step. The neural network is trained iteratively by grouping the superpoints and using the grouping assignments as pseudo-labels. The predictions for the unseen data are given by over-segmenting the test set and mapping the predicted classes into ground truth classes manually or with automated majority voting. GroupSP obtained an overall accuracy (oAcc) of 97% and a mean intersection over union (mIoU) of 80%. When compared to other unsupervised semantic segmentation methods, GroupSP outperformed GrowSP and non-deep K-means. However, a supervised random forest classifier outperformed GroupSP. The labelling efforts in GroupSP can be minimal; it was shown, that the GroupSP can semantically segment seven urban classes (building, high vegetation, low vegetation, asphalt, rock, football field, and gravel) with oAcc of 95% and mIoU of 75% using only 0.004% of the available annotated points in the mapping assignment. Finally, the multispectral information was examined; adding each new spectral channel improved the mIoU. Additionally, echo deviation was valuable, especially when distinguishing ground-level classes.
• Abstract（参考訳）: 高度に正確な都市型空中レーザースキャン(ALS)データの入手は、特にドローンの使用などによる買収コストの減少に伴い、将来急速に増加するだろう。 データ処理における現在の課題は、ほとんどのALSデータセットの限られたスペクトル情報と低点密度に関連している。 もうひとつの課題は、ポイントクラウドのセマンティック解釈を可能にするために、手動プロセスによって頻繁に生成される注釈付きトレーニングデータの必要性が高まっていることだ。 本研究では,GrowSPアルゴリズムにインスパイアされた非教師付き地上認識深層クラスタリング手法GroupSPを用いて,新しい高密度(平均平方メートルあたり1200点)のマルチスペクトルALSデータを意味的に分割することを提案する。 GroupSPはシーンを前処理ステップとしてスーパーポイントに分割する。 ニューラルネットワークは、スーパーポイントをグループ化し、グループ割り当てを擬似ラベルとして使用することにより反復的に訓練される。 未確認データの予測は、テストセットを過剰に分割し、予測されたクラスを手動で真理クラスにマッピングするか、自動多数決で行う。 GroupSPは、総合的精度 (oAcc) が97%、結合平均交叉率 (mIoU) が80%であった。 他の教師なしセマンティックセグメンテーション手法と比較して、GroupSPはGrowSPや非ディープK平均よりも優れていた。 しかし、教師付きランダム森林分類器はグループSPより優れていた。 グループSPにおけるラベル付けの取り組みは最小限であり、地図作成時に利用可能な注釈点の0.004%しか使用せず、95%のoAccとmIoUで7つの都市クラス(建物、高植生、低植生、アスファルト、岩、サッカー場、砂利)を意味的に区分できることが示されている。 最後に、マルチスペクトル情報について検討し、新しいスペクトルチャネルを追加することでmIoUが向上した。 さらに、特に地上階級の区別においてエコー偏差は貴重であった。

関連論文リスト

• Hierarchical Point-based Active Learning for Semi-supervised Point Cloud Semantic Segmentation [48.40853126077237]
  大規模ポイントクラウドデータをポイントワイドラベルで取得することは、労働集約的だ。 アクティブラーニングは、この目的を達成するための効果的な戦略の1つだが、まだ探索されていない。 本稿では,階層的なポイントベースアクティブラーニング戦略を開発する。
  論文  参考訳（メタデータ） (2023-08-22T03:52:05Z)
• A Deep Dive into Deep Cluster [0.2578242050187029]
  DeepClusterは、ビジュアル表現のシンプルでスケーラブルな教師なし事前トレーニングである。 本稿では,DeepClusterの収束と性能が,畳み込み層のランダムフィルタの品質と選択されたクラスタ数の相互作用に依存することを示す。
  論文  参考訳（メタデータ） (2022-07-24T22:55:09Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• A new weakly supervised approach for ALS point cloud semantic segmentation [1.4620086904601473]
  本稿では,ALS点雲のセマンティックセグメンテーションのための,ディープラーニングに基づく弱教師付きフレームワークを提案する。 不完全でスパースなラベルの対象となるラベルのないデータから潜在的情報を利用する。 本手法は, 総合精度が83.0%, 平均F1スコアが70.0%であり, それぞれ6.9%, 12.8%増加した。
  論文  参考訳（メタデータ） (2021-10-04T14:00:23Z)
• Weakly Supervised Person Search with Region Siamese Networks [65.76237418040071]
  教師付き学習は人検索において支配的であるが、境界ボックスとアイデンティティの詳細なラベル付けが必要である。 私たちは、バウンディングボックスアノテーションのみが利用できる弱い教師付き設定を提示します。 我々のモデルはCUHK-SYSUベンチマークで87.1%のランク1と86.0%のmAPを達成している。
  論文  参考訳（メタデータ） (2021-09-13T16:33:27Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• Improving Deep Hyperspectral Image Classification Performance with Spectral Unmixing [3.84448093764973]
  本稿では,多元HSI分類法を提案する。 我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。 次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
  論文  参考訳（メタデータ） (2020-04-01T17:14:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。