Implicit neural representation for change detection

要約

同じ地理的エリアで 2 つの異なる時間に取得された 1 組の 3D 航空機搭載 LiDAR 点群で発生した変化を検出することは、空間サポートと取得システムのノイズが一致しないため、困難な作業です。
点群上の変化を検出する最近の試みは教師あり手法に基づいており、現実世界のアプリケーションでは利用できない大量のラベル付きデータが必要です。
これらの問題に対処するために、我々は、連続形状再構築のためのニューラル フィールド (NF) と変化を分類するためのガウス混合モデルという 2 つのコンポーネントで構成される教師なしアプローチを提案します。
NF は、正則化して高周波の詳細を高め、ノイズを低減できる比類のない空間サポートを備えたバイタイム点群をエンコードするためのグリッドに依存しない表現を提供します。
各タイムスタンプでの再構成は任意の空間スケールで比較され、検出能力の大幅な向上につながります。
私たちの方法を、都市のスプロール化をシミュレートした LiDAR 点群のベンチマーク データセットに適用します。
このデータセットは、解像度、入力モダリティ、ノイズ レベルが異なるさまざまな困難なシナリオを提供しており、マルチシナリオで私たちの手法と現在の最先端技術を比較できます。
このデータセットでは、以前の方法と比べて、交差部分のマージンが和集合メトリックよりも 10% 高いことがわかります。
さらに、私たちの手法を現実世界のシナリオに適用して、遺跡の違法発掘（略奪）を特定し、それらが現場の専門家による調査結果と一致することを確認します。

要約(オリジナル)

Detecting changes that occurred in a pair of 3D airborne LiDAR point clouds, acquired at two different times over the same geographical area, is a challenging task because of unmatching spatial supports and acquisition system noise. Most recent attempts to detect changes on point clouds are based on supervised methods, which require large labelled data unavailable in real-world applications. To address these issues, we propose an unsupervised approach that comprises two components: Neural Field (NF) for continuous shape reconstruction and a Gaussian Mixture Model for categorising changes. NF offer a grid-agnostic representation to encode bi-temporal point clouds with unmatched spatial support that can be regularised to increase high-frequency details and reduce noise. The reconstructions at each timestamp are compared at arbitrary spatial scales, leading to a significant increase in detection capabilities. We apply our method to a benchmark dataset of simulated LiDAR point clouds for urban sprawling. The dataset offers different challenging scenarios with different resolutions, input modalities and noise levels, allowing a multi-scenario comparison of our method with the current state-of-the-art. We boast the previous methods on this dataset by a 10% margin in intersection over union metric. In addition, we apply our methods to a real-world scenario to identify illegal excavation (looting) of archaeological sites and confirm that they match findings from field experts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google