Optimal Transport for Change Detection on LiDAR Point Clouds

要約

同じ場所で別々の時間に取得された航空 LiDAR データ ポイント間の教師なし変化検出は、空間サポートの不一致や取得システムからのノイズにより困難になる可能性があります。
点群の変化を検出するための最新のアプローチは、デジタル標高モデル (DEM) 画像の計算と教師あり手法に大きく依存しています。
DEM を取得すると、ピクセル化による LiDAR 情報の損失が発生し、監視には現実世界のシナリオでは利用できない大量のラベル付きデータが必要になります。
我々は、2 つの時間サポートにわたる 3D LiDAR ポイントの転送の計算に基づいた教師なしアプローチを提案します。
この方法は、不均衡な最適トランスポートに基づいており、LiDAR データに関するあらゆる変化検出問題に一般化できます。
私たちは、実際に使用されているいくつかのセンサーを模倣したさまざまなノイズおよび解像度構成で都市のスプロール化を監視するために、公開されているデータセットにアプローチを適用します。
私たちの方法は教師なしマルチクラス分類を可能にし、以前の最先端の教師なしアプローチを大幅に上回ります。

要約(オリジナル)

Unsupervised change detection between airborne LiDAR data points, taken at separate times over the same location, can be difficult due to unmatching spatial support and noise from the acquisition system. Most current approaches to detect changes in point clouds rely heavily on the computation of Digital Elevation Models (DEM) images and supervised methods. Obtaining a DEM leads to LiDAR informational loss due to pixelisation, and supervision requires large amounts of labelled data often unavailable in real-world scenarios. We propose an unsupervised approach based on the computation of the transport of 3D LiDAR points over two temporal supports. The method is based on unbalanced optimal transport and can be generalised to any change detection problem with LiDAR data. We apply our approach to publicly available datasets for monitoring urban sprawling in various noise and resolution configurations that mimic several sensors used in practice. Our method allows for unsupervised multi-class classification and outperforms the previous state-of-the-art unsupervised approaches by a significant margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google