論文の概要: Spatially-Aware Evaluation Framework for Aerial LiDAR Point Cloud Semantic Segmentation: Distance-Based Metrics on Challenging Regions

• arxiv url: http://arxiv.org/abs/2603.22420v1
• Date: Mon, 23 Mar 2026 18:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.124509
• Title: Spatially-Aware Evaluation Framework for Aerial LiDAR Point Cloud Semantic Segmentation: Distance-Based Metrics on Challenging Regions
• Title（参考訳）: 空中LiDAR点群セマンティックセマンティックセグメンテーションのための空間認識評価フレームワーク:分散領域における距離ベースメトリクス
• Authors: Alex Salvatierra, José Antonio Sanz, Christian Gutiérrez, Mikel Galar,
• Abstract要約: セマンティックセグメンテーションモデルを2つの相補的アプローチで比較するための新しい評価フレームワークを提案する。 まず,各不等分点と最寄りの接地点との空間的ずれを考慮に入れた距離に基づく測度を導入する。 第2に、評価されたモデルの少なくとも1つによって誤って分類された点として定義される、ハードポイントの共通部分集合に対する集中的評価を提案する。
• 参考スコア（独自算出の注目度）: 2.6663179280715297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation metrics for 3D point clouds, such as mean Intersection over Union (mIoU) and Overall Accuracy (OA), present two key limitations in the context of aerial LiDAR data. First, they treat all misclassifications equally regardless of their spatial context, overlooking cases where the geometric severity of errors directly impacts the quality of derived geospatial products such as Digital Terrain Models. Second, they are often dominated by the large proportion of easily classified points, which can mask meaningful differences between models and under-represent performance in challenging regions. To address these limitations, we propose a novel evaluation framework for comparing semantic segmentation models through two complementary approaches. First, we introduce distance-based metrics that account for the spatial deviation between each misclassified point and the nearest ground-truth point of the predicted class, capturing the geometric severity of errors. Second, we propose a focused evaluation on a common subset of hard points, defined as the points misclassified by at least one of the evaluated models, thereby reducing the bias introduced by easily classified points and better revealing differences in model performance in challenging regions. We validate our framework by comparing three state-of-the-art deep learning models on three aerial LiDAR datasets. Results demonstrate that the proposed metrics provide complementary information to traditional measures, revealing spatial error patterns that are critical for Earth Observation applications but invisible to conventional evaluation approaches. The proposed framework enables more informed model selection for scenarios where spatial consistency is critical.
• Abstract（参考訳）: 3次元点雲の平均インターセクション(mIoU)や総合精度(OA)といった3次元点雲のセマンティックセグメンテーションのメトリクスは、空中LiDARデータの文脈において2つの重要な制限を提示する。 まず、誤差の幾何学的重大さが、Digital Terrain Modelsのような派生した地理空間積の品質に直接影響するケースを見渡すことで、空間的文脈に関わらず、すべての誤分類を等しく扱う。 第二に、しばしば容易に分類できる点が多数を占めており、これは挑戦的な領域において、モデル間の有意義な差異と表現不足のパフォーマンスを隠蔽することができる。 これらの制約に対処するために,2つの相補的アプローチによるセマンティックセグメンテーションモデルの比較のための新しい評価フレームワークを提案する。 まず,各分類点と予測クラスの最寄りの接地構造点との空間的ずれを考慮した距離ベースメトリクスを導入し,誤差の幾何学的重大度を計測する。 第2に,評価されたモデルのうちの少なくとも1つが誤分類した点として定義した,共通のハードポイントの集合に対する集中評価を行うことにより,容易に分類された点から生じるバイアスを低減し,挑戦領域におけるモデル性能の違いを明らかにする。 我々は,3つの空中LiDARデータセットに対して,最先端の3つのディープラーニングモデルを比較することにより,我々のフレームワークを検証する。 その結果、提案手法は従来の測度と相補的な情報を提供し、地球観測では重要だが従来の評価手法では見えない空間誤差パターンを明らかにした。 提案フレームワークは,空間的整合性が重要となるシナリオに対して,より詳細なモデル選択を可能にする。

関連論文リスト

• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Exploiting Point-Wise Attention in 6D Object Pose Estimation Based on Bidirectional Prediction [22.894810893732416]
  本稿では,ポイントワイズ対応機構を備えた双方向対応予測ネットワークを提案する。 私たちの重要な洞察は、各モデルポイントとシーンポイントの相関が、ポイントペアマッチの学習に不可欠な情報を提供するということです。 LineMOD, YCB-Video, Occ-LineMODの公開データセットに対する実験結果から, 提案手法が他の最先端手法よりも優れた性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-08-16T17:13:45Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Toward Minimal Misalignment at Minimal Cost in One-Stage and Anchor-Free Object Detection [6.486325109549893]
  分類と回帰の分岐は、同じ規模と同じ空間的位置から特徴に対して異なる感受性を持つ。 本稿では,高い分類信頼点が高い回帰品質を持つという仮定に基づいて,点に基づく予測手法を提案する。 我々は,この現象を最小限のコストで解決することを目指しており,頭部ネットワークの微調整と,剛体ネットワークを置き換えた新しいラベル割り当て手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)

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。