Learnable Earth Parser: Discovering 3D Prototypes in Aerial Scans

要約

我々は、容易に解釈可能な形状を持つ現実世界のシーンの大規模な 3D スキャンを解析するための教師なし手法を提案します。
この研究は、ユーザーによる注釈を必要とせずに、航空測量とマッピングのコンテキストで 3D シーンを分析するための実用的なツールを提供することを目的としています。
私たちのアプローチは、入力 3D 点群を学習されたプロトタイプの 3D 形状の小さなセットに分解する確率的再構成モデ​​ルに基づいています。
結果として得られる再構成は視覚的に解釈可能であり、複雑なシーンの教師なしインスタンスやローショットのセマンティック セグメンテーションを実行するために使用できます。
私たちは、現実世界のさまざまなシナリオからの 7 つの大規模な航空 LiDAR スキャンの新しいデータセットでモデルの有用性を実証します。
私たちのアプローチは、視覚的に解釈可能なままでありながら、分解精度の点で最先端の教師なし手法を上回っています。
コードとデータセットは https://romainloiseau.fr/learnable-earth-parser/ で入手できます。

要約(オリジナル)

We propose an unsupervised method for parsing large 3D scans of real-world scenes with easily-interpretable shapes. This work aims to provide a practical tool for analyzing 3D scenes in the context of aerial surveying and mapping, without the need for user annotations. Our approach is based on a probabilistic reconstruction model that decomposes an input 3D point cloud into a small set of learned prototypical 3D shapes. The resulting reconstruction is visually interpretable and can be used to perform unsupervised instance and low-shot semantic segmentation of complex scenes. We demonstrate the usefulness of our model on a novel dataset of seven large aerial LiDAR scans from diverse real-world scenarios. Our approach outperforms state-of-the-art unsupervised methods in terms of decomposition accuracy while remaining visually interpretable. Our code and dataset are available at https://romainloiseau.fr/learnable-earth-parser/

arxiv情報

提供元, 利用サービス

arxiv.jp, Google