Evaluating saliency scores in point clouds of natural environments by learning surface anomalies

要約

近年、自然環境を記録するために 3 次元点群がますます使用されています。
各データセットには、さまざまな形状やサイズのオブジェクトの多様なセットが含まれており、データ全体に分散され、地形と複雑に絡み合っています。
したがって、関心のある領域を見つけるのが難しく、結果としての分析が困難になります。
視覚認識の原理からインスピレーションを得て、我々は、興味のあるオブジェクトが周囲からどれだけ目立つか、つまり幾何学的顕著性を評価することによって、雑然とした環境から興味のあるオブジェクトを区別することを提案します。
以前の顕著性検出アプローチでは、タスクの属性のほとんどが手作りであることが示唆されていました。
ただし、データにノイズが多すぎる場合や、テクスチャのレベルが高い場合、このような方法は失敗します。
ここでは、ノイズとテクスチャ表面に対応する学習ベースのメカニズムを提案します。
自然環境内では、一般的な表面からのあらゆる変化が顕著な物体を示唆していると考えられます。
したがって、まず基礎となる表面を学習し、次にその中の異常を検索します。
最初に、ディープ ニューラル ネットワークが表面を再構築するようにトレーニングされます。
再構成された部分が元の点群から大幅に逸脱している領域は、重大な再構成エラーを生じ、異常、つまり顕著性を示します。
さまざまな取得プラットフォームで取得されたさまざまな自然シナリオで顕著な特徴を検索することにより、提案されたアプローチの有効性を実証します。
再構成誤差と顕著なオブジェクトとの間に強い相関関係があることを示します。

要約(オリジナル)

In recent years, three-dimensional point clouds are used increasingly to document natural environments. Each dataset contains a diverse set of objects, at varying shapes and sizes, distributed throughout the data and intricately intertwined with the topography. Therefore, regions of interest are difficult to find and consequent analyses become a challenge. Inspired from visual perception principles, we propose to differentiate objects of interest from the cluttered environment by evaluating how much they stand out from their surroundings, i.e., their geometric salience. Previous saliency detection approaches suggested mostly handcrafted attributes for the task. However, such methods fail when the data are too noisy or have high levels of texture. Here we propose a learning-based mechanism that accommodates noise and textured surfaces. We assume that within the natural environment any change from the prevalent surface would suggest a salient object. Thus, we first learn the underlying surface and then search for anomalies within it. Initially, a deep neural network is trained to reconstruct the surface. Regions where the reconstructed part deviates significantly from the original point cloud yield a substantial reconstruction error, signifying an anomaly, i.e., saliency. We demonstrate the effectiveness of the proposed approach by searching for salient features in various natural scenarios, which were acquired by different acquisition platforms. We show the strong correlation between the reconstruction error and salient objects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google