A boundary-aware point clustering approach in Euclidean and embedding spaces for roof plane segmentation

要約

空中 LiDAR 点群からの屋根面のセグメンテーションは、3D 建築モデルの再構築にとって重要なテクノロジーです。
平面セグメンテーションの重要な問題の 1 つは、隣接する平面パッチを正確に区別できる強力な機能をどのように設計するかです。
ポイント フィーチャの品質は、屋根面のセグメンテーションの精度を直接決定します。
既存のアプローチのほとんどは、手作りのフィーチャを使用して屋根面を抽出します。
ただし、これらの機能の能力は、特に境界領域では比較的低くなります。
この問題を解決するために、我々はユークリッドにおける境界を意識したポイントクラスタリングアプローチと、ルーフプレーンセグメンテーションのためのマルチタスクディープネットワークによって構築された埋め込み空間を提案します。
意味ラベルを予測し、オフセットをポイントし、深い埋め込み特徴を抽出するための 3 つの分岐ネットワークを設計します。
最初の分岐では、入力データを屋根以外の点、境界点、および平面点として分類します。
2 番目の分岐では、各ポイントをそれぞれのインスタンスの中心に向かって移動するためのポイント オフセットを予測します。
3 番目のブランチでは、同じ平面インスタンスのポイントが同様の埋め込みを持つように制約します。
私たちは、ユークリッド空間と埋め込み空間の両方で、同じ平面インスタンスの点が可能な限り近くにあることを保証することを目指しています。
ただし、ディープ ネットワークは強力な特徴表現能力を備えていますが、平面インスタンスの境界付近の点を正確に区別することは依然として困難です。
したがって、最初に平面点を 2 つの空間内の多くのクラスターにグループ化し、次に残りの境界点を最も近いクラスターに割り当てて、最終的な完全な屋根面を生成します。
このようにして、信頼性の低い境界点の影響を効果的に軽減できます。
さらに、合成データセットと実際のデータセットを構築して、アプローチをトレーニングおよび評価します。
実験結果は、提案されたアプローチが既存の最先端のアプローチを大幅に上回ることを示しています。

要約(オリジナル)

Roof plane segmentation from airborne LiDAR point clouds is an important technology for 3D building model reconstruction. One of the key issues of plane segmentation is how to design powerful features that can exactly distinguish adjacent planar patches. The quality of point feature directly determines the accuracy of roof plane segmentation. Most of existing approaches use handcrafted features to extract roof planes. However, the abilities of these features are relatively low, especially in boundary area. To solve this problem, we propose a boundary-aware point clustering approach in Euclidean and embedding spaces constructed by a multi-task deep network for roof plane segmentation. We design a three-branch network to predict semantic labels, point offsets and extract deep embedding features. In the first branch, we classify the input data as non-roof, boundary and plane points. In the second branch, we predict point offsets for shifting each point toward its respective instance center. In the third branch, we constrain that points of the same plane instance should have the similar embeddings. We aim to ensure that points of the same plane instance are close as much as possible in both Euclidean and embedding spaces. However, although deep network has strong feature representative ability, it is still hard to accurately distinguish points near plane instance boundary. Therefore, we first group plane points into many clusters in the two spaces, and then we assign the rest boundary points to their closest clusters to generate final complete roof planes. In this way, we can effectively reduce the influence of unreliable boundary points. In addition, we construct a synthetic dataset and a real dataset to train and evaluate our approach. The experiments results show that the proposed approach significantly outperforms the existing state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google