論文の概要: 3D LULC classification using multispectral LiDAR and deep learning: current and prospective schemes

• arxiv url: http://arxiv.org/abs/2605.22328v1
• Date: Thu, 21 May 2026 11:18:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.22224
• Title: 3D LULC classification using multispectral LiDAR and deep learning: current and prospective schemes
• Title（参考訳）: マルチスペクトルLiDARとディープラーニングを用いた3次元LULC分類:現状と展望
• Authors: Narges Takhtkeshha, Aldino Rizaldy, Markus Hollaus, Juha Hyyppä, Fabio Remondino, Gottfried Mandlburger,
• Abstract要約: 土地利用土地被覆(LULC)分類は,全国的な3次元マッピング,地理空間解析,持続可能な計画に不可欠である。 本研究では,L1とL2のNMCA対応LULC分類方式と,新しいベンチマークMS LiDARデータセットを提案する。 我々は,7つの最先端DLモデルを評価し,両レベルの詳細でスペクトルアブレーション研究を行う。
• 参考スコア（独自算出の注目度）: 3.1000297084107786
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Land Use Land Cover (LULC) classification is essential for national 3D mapping, geospatial analysis, and sustainable planning. Multispectral (MS) LiDAR provides synchronized spatial-spectral information, and deep learning (DL) enables 3D point cloud semantic segmentation; however, adoption is limited by the lack of publicly available urban and suburban MS LiDAR datasets aligned with National Mapping and Cadastral Agencies (NMCAs) classification schemes. This study addresses these gaps by introducing L1 and L2 NMCA-aligned LULC classification schemes and a new benchmark MS LiDAR dataset. We evaluate seven state-of-the-art DL models and perform spectral ablation studies at both levels of detail. Results show that Point Transformer V3 achieves the best performance, with mIoU of 79.4% (L1, 8 classes) and 58.9% (L2, 20 classes) using a dual-wavelength LiDAR system (532 nm and 1064 nm). Ablation results show that multispectral information improves performance over geometry-only inputs, with gains of 1.1 percentage points at L1 and 7.8 points at L2. These results highlight the value of LiDAR reflectance for fine-grained material discrimination and support the evolution of NMCA LULC schemes toward higher semantic detail. The Loosdorf-MSL dataset contributes a new benchmark for consistent national and international LULC mapping.
• Abstract（参考訳）: 土地利用土地被覆(LULC)分類は,全国的な3次元マッピング,地理空間解析,持続可能な計画に不可欠である。 マルチスペクトル(MS) LiDARは、同期空間スペクトル情報を提供し、深層学習(DL)は3Dポイントクラウドセマンティックセマンティックセマンティクスを可能にするが、国家地図とカダストラアグエンシ(NMCA)の分類スキームに沿った、公共の利用可能な都市と郊外のMS LiDARデータセットの欠如により、採用が制限される。 本研究では,L1 と L2 の NMCA 対応 LULC 分類手法と新たなベンチマーク MS LiDAR データセットを導入することで,これらのギャップを解消する。 我々は,7つの最先端DLモデルを評価し,両レベルの詳細でスペクトルアブレーション研究を行う。 その結果,2波長LiDARシステム(532nm,1064nm)を用いて,mIoUが79.4%(L1,8クラス),58.9%(L2,20クラス)であった。 アブレーションの結果、多スペクトル情報は幾何学のみの入力よりも性能が向上し、L1では1.1ポイント、L2では7.8ポイントのゲインが得られた。 これらの結果は, 微細な材料識別のためのLiDAR反射率の価値を強調し, NMCA LULCスキームの高度な意味的詳細への進化を支援する。 Loosdorf-MSLデータセットは、一貫した全国および国際LULCマッピングのための新しいベンチマークを提供する。

関連論文リスト

• OPAL: Visibility-aware LiDAR-to-OpenStreetMap Place Recognition via Adaptive Radial Fusion [42.38955435522421]
  OPALは、OpenStreetMap(OSM)を軽量で最新のものとして活用する、LiDARの位置認識のための新しいフレームワークである。 私たちの重要なイノベーションは、疎いLiDARスキャンと、慎重に設計された2つのコンポーネントを通して構造化されたOSMデータのドメイン格差を埋めることにあります。 KITTIとKITTI-360データセットの実験はOPALの優位性を示し、トップ1検索マッチの1m閾値で15.98%高いリコールを達成した。
  論文  参考訳（メタデータ） (2025-04-27T14:39:26Z)
• Mapping and Localization Using LiDAR Fiducial Markers [0.8702432681310401]
  Dissertationは、LiDARフィデューシャルマーカーを用いたマッピングとローカライゼーションのための新しいフレームワークを提案する。 Intensity Image-based LiDAR Fiducial Marker (IFM)システムを導入する。 LFMに基づく新しいマッピングとローカライズ手法は、順序のない低オーバーラップ点雲を登録する。
  論文  参考訳（メタデータ） (2025-02-05T17:33:59Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Affordances-Oriented Planning using Foundation Models for Continuous Vision-Language Navigation [64.84996994779443]
  本稿では,連続視覚言語ナビゲーション(VLN)タスクのためのAffordances-Oriented Plannerを提案する。 我々のAO-Plannerは、様々な基礎モデルを統合して、アベイランス指向の低レベルな動き計画とハイレベルな意思決定を実現する。 挑戦的なR2R-CEデータセットとRxR-CEデータセットの実験は、AO-Plannerが最先端のゼロショットのパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2024-07-08T12:52:46Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• MergeOcc: Bridge the Domain Gap between Different LiDARs for Robust Occupancy Prediction [8.993992124170624]
  MergeOccは、複数のデータセットを活用することで、異なるLiDARを同時に扱うように開発されている。 MergeOccの有効性は、自動運転車のための2つの顕著なデータセットの実験を通じて検証される。
  論文  参考訳（メタデータ） (2024-03-13T13:23:05Z)
• LaserMix for Semi-Supervised LiDAR Semantic Segmentation [56.73779694312137]
  We study the underexplored semi-supervised learning (SSL) in LiDAR segmentation。 当社の中核となる考え方は、LiDAR点雲の強い空間的手がかりを活用して、ラベルのないデータをうまく活用することです。 我々は、異なるLiDARスキャンからレーザービームを混合し、一貫性と自信のある予測を行うことを奨励するLaserMixを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:00:04Z)
• GraNet: Global Relation-aware Attentional Network for ALS Point Cloud Classification [7.734726150561088]
  ALS点群のセマンティックラベリングに着目した新しいニューラルネットワークを提案する。 GraNetは局所幾何学的記述と局所依存性を学習する。 2つのALSポイントクラウドデータセット上で実験を行った。
  論文  参考訳（メタデータ） (2020-12-24T23:54:45Z)

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。