在城市地区使用自适应邻居选择技术对LiDAR点云数据进行细分
Debobrata Chakraborty1, Emon Kumar Dey1
1Institute of Information Technology, University of Dhaka, Dhaka, Bangladesh.
PloS one
|July 18, 2024
概括
本研究引入了一种适应性社区选择方法,以改善城市光检测和射程 (LiDAR) 点云的语义细分. 这种方法提高了特征计算的准确性,从而在细分复杂的城市环境中提高了竞争力.
科学领域:
- 地理空间数据分析.
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 城市光检测和测距 (LiDAR) 点云的语义细分由于数据异质性和噪声而复杂.
- 现有的机器学习方法在不精确的特征值计算中扎,这通常与邻居选择有关.
研究的目的:
- 为LiDAR数据中的单个点提出一种适应性邻居选择方法.
- 解决城市点云细分的复杂性和异质性的挑战.
主要方法:
- 开发了一个适应性邻居选择策略,根据个别点量身定制.
- 整合了该方法与随机森林机器学习分类器.
- 在高密度移动和低密度空中LiDAR数据集上评估性能.
主要成果:
- 与最先进的方法相比,实现了竞争性表现.
- 在不同的LiDAR数据集上证明了高精度.
- 在多伦多数据集中获得的准确性>91%,在瓦希根数据集中获得的F1分数>82%.
结论:
- 拟议的适应性社区选择显著改善了城市LiDAR点云的语义细分.
- 该方法在不同的点云密度和数据源中是有效的.
- 这种方法为在具有挑战性的地理空间数据中精确的特征计算提供了强大的解决方案.
