Tinto: Multisensor Benchmark for 3D Hyperspectral Point Cloud Segmentation in the Geosciences

要約

深層学習技術の使用が増加することで、デジタル露頭モデルから地質図が自動的に導出されることで、解釈時間が短縮され、理想的には解釈者のバイアスが減少しました。
ただし、地質図作成の主観的な性質と定量的な検証データの収集の難しさにより、これらの自動化された地図作成アプローチを正確に検証することは大きな課題です。
さらに、最先端の深層学習手法の多くは 2D 画像データに限定されており、ハイパークラウドなどの 3D デジタル露頭には不十分です。
これらの課題に対処するために、地質マッピング、特に点群のような非構造化 3D データに対する深層学習アプローチの開発と検証を容易にするように設計されたマルチセンサー ベンチマーク デジタル露頭データセットである Tinto を紹介します。
Tinto は、2 つの相補的なセットで構成されています。1) スペクトル属性とグラウンドトゥルース データを備えた Corta Atalaya (スペイン) の実際のデジタル露頭モデル、2) 元のデータセットの潜在的な特徴を使用して現実的なスペクトル データ (
センサーノイズと処理アーティファクト）をグラウンドトゥルースから取得します。
点群は高密度で、3,242,964 個のラベル付き点が含まれています。
私たちはこれらのデータセットを使用して、自動地質図作成のためのさまざまな深層学習アプローチの能力を調査しました。
Tinto を一般公開することで、地球科学における 3D アプリケーション向けの新しい深層学習ツールの開発と適応を促進したいと考えています。
データセットには、リンク https://doi.org/10.14278/rodare.2256 からアクセスできます。

要約(オリジナル)

The increasing use of deep learning techniques has reduced interpretation time and, ideally, reduced interpreter bias by automatically deriving geological maps from digital outcrop models. However, accurate validation of these automated mapping approaches is a significant challenge due to the subjective nature of geological mapping and the difficulty in collecting quantitative validation data. Additionally, many state-of-the-art deep learning methods are limited to 2D image data, which is insufficient for 3D digital outcrops, such as hyperclouds. To address these challenges, we present Tinto, a multi-sensor benchmark digital outcrop dataset designed to facilitate the development and validation of deep learning approaches for geological mapping, especially for non-structured 3D data like point clouds. Tinto comprises two complementary sets: 1) a real digital outcrop model from Corta Atalaya (Spain), with spectral attributes and ground-truth data, and 2) a synthetic twin that uses latent features in the original datasets to reconstruct realistic spectral data (including sensor noise and processing artifacts) from the ground-truth. The point cloud is dense and contains 3,242,964 labeled points. We used these datasets to explore the abilities of different deep learning approaches for automated geological mapping. By making Tinto publicly available, we hope to foster the development and adaptation of new deep learning tools for 3D applications in Earth sciences. The dataset can be accessed through this link: https://doi.org/10.14278/rodare.2256.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google