Implicit neural representation for change detection

要約

同じ地理的領域上の 2 つの異なる期間中に取得された 1 組の 3D 航空 LiDAR 点群の変化を特定することは、空間カバー範囲の差異と取得システム内のノイズの存在により、大きな課題となります。
点群の変化を検出するために最も一般的に使用されるアプローチは、教師あり手法に基づいており、実際のアプリケーションでは利用できない場合が多い大量のラベル付きデータが必要になります。
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暗黙的ニューラル表現 (INR) 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。
INR は、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、正則化して高周波の詳細を強化し、ノイズを低減できる比類のない空間サポートを備えています。
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 点群で構成されるベンチマーク データセットに適用します。
このデータセットには、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が含まれています。
これにより、私たちの方法と現在の最先端のアプローチを比較して、包括的なマルチシナリオ評価が可能になります。
和集合メトリックに対する交差において、以前の方法より 10% のマージンで優れたパフォーマンスを示しました。
さらに、私たちの技術を現実世界のシナリオに適用することで実用化し、遺跡の違法発掘の事例を特定し、現場の専門家の調査結果と比較することで結果を検証します。

要約(オリジナル)

Identifying changes in a pair of 3D aerial LiDAR point clouds, obtained during two distinct time periods over the same geographic region presents a significant challenge due to the disparities in spatial coverage and the presence of noise in the acquisition system. The most commonly used approaches to detecting changes in point clouds are based on supervised methods which necessitate extensive labelled data often unavailable in real-world applications. To address these issues, we propose an unsupervised approach that comprises two components: Implicit Neural Representation (INR) for continuous shape reconstruction and a Gaussian Mixture Model for categorising changes. INR offers a grid-agnostic representation for encoding bi-temporal point clouds, with unmatched spatial support that can be regularised to enhance 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 comprising simulated LiDAR point clouds for urban sprawling. This dataset encompasses diverse challenging scenarios, varying in resolutions, input modalities and noise levels. This enables a comprehensive multi-scenario evaluation, comparing our method with the current state-of-the-art approach. We outperform the previous methods by a margin of 10% in the intersection over union metric. In addition, we put our techniques to practical use by applying them in a real-world scenario to identify instances of illicit excavation of archaeological sites and validate our results by comparing them with findings from field experts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google