- Сегментация объектов загроможденных бортовых облаков точек LiDAR(arXiv)
Автор:Мариона Карос, Ариадна Джаст, Санти Сеги, Хорди Витрия
Аннотация:бортовой топографический лидар — это активная технология дистанционного зондирования, которая излучает свет ближнего инфракрасного диапазона для картирования объектов на поверхности Земли. Производные продукты LiDAR подходят для обслуживания широкого спектра приложений благодаря их богатой трехмерной пространственной информации и их способности получать множественные результаты. Однако обработка данных облака точек по-прежнему требует значительных усилий при ручном редактировании. Некоторые искусственные объекты трудно обнаружить из-за разнообразия их форм, неравномерного распределения облаков точек и малого количества выборок классов. В этой работе мы предлагаем сквозную структуру глубокого обучения для автоматизации обнаружения и сегментации объектов, определяемых произвольным количеством точек LiDAR, окруженных помехами. Наш метод основан на облегченной версии PointNet, которая обеспечивает хорошую производительность как при распознавании объектов, так и при задачах сегментации. Результаты проверяются на опорах ЛЭП, очерченных вручную, и показывают многообещающую точность.
2.LBF: Обучаемый двусторонний фильтр для шумоподавления в облаке точек(arXiv)
Автор: Хуацзянь Си, Цзеюн Вэй, Чжэ Чжу, Хунхуа Чен, Дун Лян, Вэймин Ван, Минцян Вэй
Аннотация. Двусторонний фильтр (BF) — это быстрый, легкий и эффективный инструмент для шумоподавления изображений, который хорошо подходит для шумоподавления облака точек. Однако это часто требует постоянной ручной настройки параметров; это неудобство снижает эффективность и удобство использования для получения удовлетворительных результатов шумоподавления. Мы предлагаем LBF, сквозную обучаемую двустороннюю сеть фильтрации для шумоподавления облака точек; насколько нам известно, это впервые. В отличие от обычного BF и его вариантов, которые получают одни и те же параметры для всего облака точек, LBF изучает адаптивные параметры для каждой точки в соответствии с ее геометрической характеристикой (например, угол, край, плоскость), избегая остаточного шума, ошибочно удаленных геометрических деталей и искаженные формы. Помимо обучаемой парадигмы BF, у нас есть два ядра для облегчения LBF. Во-первых, в отличие от локального BF, LBF обладает способностью воспринимать особенности глобального масштаба за счет использования многомасштабных участков каждой точки. Во-вторых, LBF формулирует потерю двунаправленной проекции с учетом геометрии, приводя результаты шумоподавления к их основным поверхностям. Пользователи могут применять нашу LBF без какой-либо трудоемкой настройки параметров для достижения оптимальных результатов шумоподавления. Эксперименты показывают явные улучшения LBF по сравнению с конкурентами как на синтетических, так и на реальных наборах данных.
3.GeoGCN: геометрическая двухдоменная сверточная сеть графов для шумоподавления облака точек(arXiv)
Автор:: Чжаовэй Чен, Пэн Ли, Цзеюн Вэй, Хунхуа Чен, Хаоран Се, Минцян Вэй, Фу Ли Ван
Аннотация: мы предлагаем GeoGCN, новую геометрическую сеть свертки двухдоменных графов для шумоподавления облака точек (PCD). Помимо традиционной мудрости PCD, чтобы полностью использовать геометрическую информацию облаков точек, мы определяем два типа нормалей поверхности, один из которых называется Real Normal (RN), а другой — Virtual Normal (VN). RN сохраняет локальные детали зашумленных облаков точек, в то время как VN позволяет избежать глобального сжатия формы во время шумоподавления. GeoGCN — это новая парадигма PCD, которая 1) сначала регрессирует положения точек с помощью пространственных GCN с помощью VN, 2) затем оценивает начальные RN, выполняя анализ основных компонентов для регрессированных точек, и 3) наконец, регрессирует точные RN с помощью нормальных GCN. В отличие от существующих методов PCD, GeoGCN не только использует два вида знаний в области геометрии (т. е. RN и VN), но также использует обучающие данные. Эксперименты подтверждают, что GeoGCN превосходит SOTA как с точки зрения помехоустойчивости, так и с точки зрения сохранения локальных и глобальных функций.
