Optimal Transport for Change Detection on LiDAR Point Clouds

要約

災害、森林伐採、都市計画など、実生活のさまざまな側面を監視する上で、多時期のリモート センシング データで発生する変化の検出は重要な役割を果たします。
後者の文脈では、新しく建てられた建物と取り壊された建物の両方を特定することは、景観と都市の管理者が持続可能な開発を促進するのに不可欠です。
空中 LiDAR ポイント クラウドの使用は、都市の変化の検出に広く普及していますが、最も一般的なアプローチでは、ポイント クラウドを補間された高さ測定値の規則的なグリッド、つまりデジタル標高モデル (DEM) に変換する必要があります。
ただし、DEM の内挿ステップでは、オブジェクトの高さに関連する情報が失われ、建物の変化の検出機能に影響を与えます。この場合、3 次元の LiDAR 点群の高解像度が最も有益です。
距離ベースの計算方法またはセマンティック セグメンテーションの前処理ステップのいずれかを使用して点群の変化を直接検出する最近の試みにもかかわらず、M3C2 距離計算ベースのアプローチのみが正と負の両方の変化を識別できます。これは、都市で最も重要です。
計画中。
前の議論に動機付けられて、新しく建設された建物 (正の変化) と解体された建物 (負の変化) を区別できる、最適な輸送に基づく原則的な変化検出パイプラインを導入します。
この作業では、バイテンポラル ペアの LiDAR ポイント クラウドで発生する建物の変更に関連する質量の作成と破壊に対処するために、不均衡な最適輸送を使用することを提案します。
M3C2 および IGARSS 2016 で Nicolas Courty らによって提示された以前の最適な輸送ベースの方法よりも優れたパフォーマンスを示すことにより、変更検出のための唯一の公開されている空中 LiDAR データセットに対するアプローチの有効性を示します。

要約(オリジナル)

The detection of changes occurring in multi-temporal remote sensing data plays a crucial role in monitoring several aspects of real life, such as disasters, deforestation, and urban planning. In the latter context, identifying both newly built and demolished buildings is essential to help landscape and city managers to promote sustainable development. While the use of airborne LiDAR point clouds has become widespread in urban change detection, the most common approaches require the transformation of a point cloud into a regular grid of interpolated height measurements, i.e. Digital Elevation Model (DEM). However, the DEM’s interpolation step causes an information loss related to the height of the objects, affecting the detection capability of building changes, where the high resolution of LiDAR point clouds in the third dimension would be the most beneficial. Notwithstanding recent attempts to detect changes directly on point clouds using either a distance-based computation method or a semantic segmentation pre-processing step, only the M3C2 distance computation-based approach can identify both positive and negative changes, which is of paramount importance in urban planning. Motivated by the previous arguments, we introduce a principled change detection pipeline, based on optimal transport, capable of distinguishing between newly built buildings (positive changes) and demolished ones (negative changes). In this work, we propose to use unbalanced optimal transport to cope with the creation and destruction of mass related to building changes occurring in a bi-temporal pair of LiDAR point clouds. We demonstrate the efficacy of our approach on the only publicly available airborne LiDAR dataset for change detection by showing superior performance over the M3C2 and the previous optimal transport-based method presented by Nicolas Courty et al.at IGARSS 2016.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google