Learning Digital Terrain Models from Point Clouds: ALS2DTM Dataset and Rasterization-based GAN

要約

様々な分野でディープニューラルネットワークが普及しているにもかかわらず、エアボーンレーザースキャン（ALS）の点群からデジタル地形モデル（DTM）を抽出することは、未だに困難な課題となっています。これは、専用の大規模な注釈付きデータセットがないことと、点群とDTMの間にデータ構造の不一致があることが原因かもしれない。本論文では、データ駆動型DTM抽出を促進するために、ALS点群の大規模なデータセットと、それに対応する都市、森林、山岳の様々なシーンのDTMをオープンソースから収集した。ラスタライズ技術によってALS点群から直接デジタル地形モデルを抽出するためのディープニューラルネットワークを訓練する最初の試みとして、ベースライン手法を提案する（DeepTerRaと命名）。データセットをベンチマークし、点群からDTMを抽出するための学習における課題を分析するために、確立された方法との広範な研究が行われる。実験結果は、DTM抽出のために設計された手法と比較して、サブメトリックエラーレベルで、不可知論的なデータ駆動型アプローチの面白さを示しています。データとソースコードは、再現性とさらなる類似の研究のために、https://lhoangan.github.io/deepterra/ で提供されています。

要約(オリジナル)

Despite the popularity of deep neural networks in various domains, the extraction of digital terrain models (DTMs) from airborne laser scanning (ALS) point clouds is still challenging. This might be due to the lack of dedicated large-scale annotated dataset and the data-structure discrepancy between point clouds and DTMs. To promote data-driven DTM extraction, this paper collects from open sources a large-scale dataset of ALS point clouds and corresponding DTMs with various urban, forested, and mountainous scenes. A baseline method is proposed as the first attempt to train a Deep neural network to extract digital Terrain models directly from ALS point clouds via Rasterization techniques, coined DeepTerRa. Extensive studies with well-established methods are performed to benchmark the dataset and analyze the challenges in learning to extract DTM from point clouds. The experimental results show the interest of the agnostic data-driven approach, with sub-metric error level compared to methods designed for DTM extraction. The data and source code is provided at https://lhoangan.github.io/deepterra/ for reproducibility and further similar research.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL