...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>ISPRS International Journal of Geo-Information >Voxel-based 3D Point Cloud Semantic Segmentation: Unsupervised Geometric and Relationship Featuring vs Deep Learning Methods
【24h】

Voxel-based 3D Point Cloud Semantic Segmentation: Unsupervised Geometric and Relationship Featuring vs Deep Learning Methods

机译：基于体素的3D点云语义分割：无监督的几何和关系特征与深度学习方法

获取原文
   

获取外文期刊封面封底 >>

       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Automation in point cloud data processing is central in knowledge discovery within decision-making systems. The definition of relevant features is often key for segmentation and classification, with automated workflows presenting the main challenges. In this paper, we propose a voxel-based feature engineering that better characterize point clusters and provide strong support to supervised or unsupervised classification. We provide different feature generalization levels to permit interoperable frameworks. First, we recommend a shape-based feature set (SF1) that only leverages the raw X, Y, Z attributes of any point cloud. Afterwards, we derive relationship and topology between voxel entities to obtain a three-dimensional (3D) structural connectivity feature set (SF2). Finally, we provide a knowledge-based decision tree to permit infrastructure-related classification. We study SF1/SF2 synergy on a new semantic segmentation framework for the constitution of a higher semantic representation of point clouds in relevant clusters. Finally, we benchmark the approach against novel and best-performing deep-learning methods while using the full S3DIS dataset. We highlight good performances, easy-integration, and high F 1 -score ( 85%) for planar-dominant classes that are comparable to state-of-the-art deep learning.
机译：点云数据处理中的自动化是决策系统中知识发现的核心。相关功能的定义通常是细分和分类的关键，而自动化工作流程则提出了主要挑战。在本文中，我们提出了一种基于体素的特征工程，可以更好地表征点聚类，并为有监督或无监督分类提供有力的支持。我们提供了不同的功能概括级别，以允许可互操作的框架。首先，我们建议基于形状的特征集（SF1）仅利用任何点云的原始X，Y，Z属性。然后，我们导出体素实体之间的关系和拓扑，以获得三维（3D）结构连接性特征集（SF2）。最后，我们提供了一个基于知识的决策树，以允许进行基础架构相关的分类。我们在新的语义分割框架上研究SF1 / SF2协同作用，以构造相关聚类中点云的较高语义表示。最后，我们在使用完整的S3DIS数据集的同时，针对新的和性能最佳的深度学习方法对方法进行了基准测试。我们重点介绍了与主流深度学习相当的平面优势课程的良好性能，易于集成和高F 1分数（> 85％）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号