Benchmarking Deep Learning Architectures for Urban Vegetation Point Cloud Semantic Segmentation from MLS

要約

植生は、さまざまな生態系サービスと人間の幸福を提供する、持続可能で回復力のある都市にとって非常に重要です。
しかし、急速な都市化とインフラの設置面積の拡大により、植生は重大なストレスにさらされています。
したがって、都市環境ではこの植生の地図作成が不可欠です。
最近、点群セマンティック セグメンテーションのための深層学習が大きな進歩を示しています。
高度なモデルは、複数のクラスで構成され、現実世界のシナリオを表すベンチマーク データセットで最先端のパフォーマンスを取得しようとします。
ただし、植生点に関するクラス固有のセグメンテーションは調査されていません。
したがって、植生点セグメンテーションのための深層学習モデルの選択は曖昧です。
この問題に対処するために、植生クラスのセマンティック セグメンテーションのためのポイントベースの深層学習モデルの包括的な評価を提供します。
私たちは、PointCNN、KPConv (omni-supervised)、RandLANet、SCFNet、PointNeXt、SPoTr、PointMetaBase という 7 つの代表的なポイントベース モデルを選択しました。
これらのモデルは、3 つの異なるデータセット、特にチャンディーガル、トロント 3D、ケーララで調査されており、植生の多様な性質と、ポイントごとの特徴とクラスごとの構成の変化と組み合わされたさまざまなシーンの複雑さが特徴です。
PointMetaBase と KPConv (オムニ監視) は、それぞれチャンディーガル データセット (95.24%) と Toronto3D データセット (91.26%) で最高の mIoU を達成し、一方、PointCNN はケーララ データセット (85.68%) で最高の mIoU を提供します。
この論文では、これまで報告されていなかった、植生セグメンテーションのためのこれらのモデルの動作についてのより深い洞察を展開し、特に植生セグメンテーションのためのモデルに含めるべき要素の概要を説明します。
この論文は、植生点セグメンテーションのための新しいアーキテクチャの開発に向けた一歩です。

要約(オリジナル)

Vegetation is crucial for sustainable and resilient cities providing various ecosystem services and well-being of humans. However, vegetation is under critical stress with rapid urbanization and expanding infrastructure footprints. Consequently, mapping of this vegetation is essential in the urban environment. Recently, deep learning for point cloud semantic segmentation has shown significant progress. Advanced models attempt to obtain state-of-the-art performance on benchmark datasets, comprising multiple classes and representing real world scenarios. However, class specific segmentation with respect to vegetation points has not been explored. Therefore, selection of a deep learning model for vegetation points segmentation is ambiguous. To address this problem, we provide a comprehensive assessment of point-based deep learning models for semantic segmentation of vegetation class. We have selected seven representative point-based models, namely PointCNN, KPConv (omni-supervised), RandLANet, SCFNet, PointNeXt, SPoTr and PointMetaBase. These models are investigated on three different datasets, specifically Chandigarh, Toronto3D and Kerala, which are characterized by diverse nature of vegetation and varying scene complexity combined with changing per-point features and class-wise composition. PointMetaBase and KPConv (omni-supervised) achieve the highest mIoU on the Chandigarh (95.24%) and Toronto3D datasets (91.26%), respectively while PointCNN provides the highest mIoU on the Kerala dataset (85.68%). The paper develops a deeper insight, hitherto not reported, into the working of these models for vegetation segmentation and outlines the ingredients that should be included in a model specifically for vegetation segmentation. This paper is a step towards the development of a novel architecture for vegetation points segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google