Precision in Building Extraction: Comparing Shallow and Deep Models using LiDAR Data

要約

建物のセグメンテーションは、インフラ開発、人口管理、地質学的観察において不可欠です。
この記事では、教師ありセグメンテーションの LiDAR データの存在を評価するための、解釈可能な性質を持つ浅いモデルを対象としています。
この記事で使用したベンチマーク データは、深層学習モデルの NORA MapAI コンペティションで公開されています。
浅いモデルは、Intersection over Union (IoU) および Boundary Intersection over Union (BIoU) に基づく深層学習モデルと比較されます。
提案された研究では、建物の形状の境界線に関連する BIoU スコアを向上させるために、元のマスクから境界マスクが生成されます。
LiDAR データの影響は、タスク 1 では航空画像のみを使用してモデルをトレーニングし、タスク 2 では航空データと LiDAR データの組み合わせを使用してモデルをトレーニングし、比較することによってテストされます。
浅いモデルは、航空画像 (タスク 1) のみを使用した場合、IoU で深層学習モデルよりも 8% 優れ、航空画像と LiDAR データを組み合わせた場合 (タスク 2) では 2% 優れています。
対照的に、ディープ ラーニング モデルは、BIoU スコアで優れたパフォーマンスを示します。
境界マスクにより、両方のタスクで BIoU スコアが 4% 向上しました。
Light Gradient-Boosting Machine (LightGBM) は、RF および Extreme Gradient Boosting (XGBoost) よりも優れたパフォーマンスを発揮します。

要約(オリジナル)

Building segmentation is essential in infrastructure development, population management, and geological observations. This article targets shallow models due to their interpretable nature to assess the presence of LiDAR data for supervised segmentation. The benchmark data used in this article are published in NORA MapAI competition for deep learning model. Shallow models are compared with deep learning models based on Intersection over Union (IoU) and Boundary Intersection over Union (BIoU). In the proposed work, boundary masks from the original mask are generated to improve the BIoU score, which relates to building shapes’ borderline. The influence of LiDAR data is tested by training the model with only aerial images in task 1 and a combination of aerial and LiDAR data in task 2 and then compared. shallow models outperform deep learning models in IoU by 8% using aerial images (task 1) only and 2% in combined aerial images and LiDAR data (task 2). In contrast, deep learning models show better performance on BIoU scores. Boundary masks improve BIoU scores by 4% in both tasks. Light Gradient-Boosting Machine (LightGBM) performs better than RF and Extreme Gradient Boosting (XGBoost).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google