Разработка алгоритма классификации плотных облаков точек на примере городской застройки
+7 (383) 343-12-55 vestnik@ssga.ru
Ru
En
Ru
En
Авторам публикаций
Вестник СГУГиТАрхив журнала Разработка алгоритма классификации плотных облаков точек на примере городской застройки

Разработка алгоритма классификации плотных облаков точек на примере городской застройки

Дистанционное зондирование земли, фотограмметрия
УДК: 528.8:711.4
DOI: 10.33764/2411-1759-2024-29-6-44-52
Д. В. Василенко 1 2
Год: 2024
Том: 29
№: 6
Страницы: 44 - 52
1 Московский физико-технический институт (Национальный исследовательский университет), г. Москва, Российская Федерация
2 АО «Фирма «РАКУРС», г. Москва, Российская Федерация

Финансирование: -

Аннотация:

Данные дистанционного зондирования Земли (ДЗЗ), к которым относятся космическая и аэрофотосъемка, воздушное лазерное сканирование являются ценным источником информации об объектах и местности. В результате обработки таких данных с помощью специализированных программных решений создаются различные информационные продукты: ортофотопланы, цифровые модели рельефа и местности, 3D-модели строений, карты, топопланы и другие материалы, используемые в разных отраслях экономики. Появление новых типов съемочной аппаратуры, увеличение объема данных, качественный и количественный рост потребителей материалов ДЗЗ требует постоянного совершенствования программного обеспечения. Если использование нейронных сетей и классификация растров хорошо изучены в случае двумерных изображений, то классификация трехмерных нерегулярных облаков точек еще плохо исследована. В работе рассмотрены подходы к решению этой задачи – проекционные, воксельные, многослойные перцептроны и свертки точек. Цель работы – разработать алгоритм классификации облаков точек, полученных в результате лазерного сканирования или фотограмметрической обработки аэросъемки. Объект исследования – методы автоматической классификации облаков точек. Предмет – алгоритм применения искусственной нейронной сети (ИНС) к облаку точек.

Ключевые слова (RU):

машинное обучение, глубокое обучение, искусственные нейронные сети, лазерное сканирование, аэросъемка, фотограмметрия, облако точек

Ключевые слова (EN):

machine learning, deep learning, algorithm architecture, laser scanning, aerial photography, phogrammetry, point cloud

Читать статью Скачать JATS XML

Библиографический список:

  1. Zhang J., Zhao X., Chen Z., Lu Z. A Review of Deep Learning-Based Semantic Segmentation for Point Cloud. // IEEE Access – 2019. – Vol. 7. – P. 179118-179133. – DOI: 10.1109/-ACCESS.2019.2958671.
  2. Guo Y., Wang H, Hu Q. et al. Deep Learning for 3D Point Clouds: A Survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2020. – Vol. 43. – P. 4338–4364. – DOI 10.1109/-tpami.2020.3005434.
  3. Орлова С. Р., Лопота А. В. Трехмерное распознавание: текущее состояние и тенденции // Автоматика и телемеханика. – 2022. – Вып 4. – С. 5–26. – DOI 10.31857/S000523102204002X.
  4. Jhaldiyal A., Chaudhary N. Semantic segmentation of 3D LiDAR data using deep learning: a review of projection-based methods // Applied Intelligence. – 2022. – Vol. 53. – P. 6844–6855.
  5. Liu Z., Tang H., Lin Y., Han S. Point-Voxel CNN for Efficient 3D Deep Learning // Advances in Neural Information Processing Systems. – 2019. – P. 963–973. – DOI 10.48550/arXiv.1907.03739.
  6. Riegler G., Ulusoy A. O., Geiger A. OctNet: Learning Deep 3D Representations at High Resolutions // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2017. – P. 6620–6629. – DOI10.1109/CVPR.2017.701.
  7. Qi C. R., Su H., Mo K., Guibas L. J. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2016. – P. 77–85. – DOI 10.1109/cvpr.2017.16.
  8. Qi C. R., Yi L., Mo K., Guibas L. J. PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space // Advances in Neural Information Processing Systems. – 2017. – P. 5099–5108. – DOI 10.48550/arXiv.1706.02413.
  9. Hu Q., Yang B., Xie L. et al. RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2020. – P. 11105–11114. – DOI 10.1109/cvpr42600.2020.01112.
  10. Qi C., Li Y., Peng H. et al. PointNeXt: Revisiting PointNet++ with Improved Training and Scaling Strategies // Advances in Neural Information Processing Systems. – 2022. – P. 23192–23204. – DOI 10.48550/arXiv.2206.04670.
  11. Desai A., Parikh S., Kumari S., Raman S. PointResNet: Residual Network for 3D Point Cloud Segmentation and Classification // arXiv preprint. – [2022]. – arXiv: 2211.11040. – DOI 10.48550/-arXiv.2211.11040.
  12. Thomas H., Qi C. R, Deschaud J.-E. et al. KPConv: Flexible and Deformable Convolution for Point Clouds // Proceedings of the IEEE International Conference on Computer Vision. – 2019. – P. 6410–6419. – DOI 10.1109/iccv.2019.00651.
  13. Liu K., Gao Z., Lin F., Chen. B.M. FG-Net: A Fast and Accurate Framework for Large-Scale LiDAR Point Cloud Understanding // IEEE Transactions on Cybernetics. – 2022. – Vol. 53. – P. 553–564. – DOI 10.48550/arXiv.2012.09439.
  14. Armeni I., Sener O., Zamir A.R. et al. 3D Semantic Parsing of Large-Scale Indoor Spaces // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2016. – P. 1534–1543. – DOI 10.1109/CVPR.2016.170.
  15. Pan Y., Braun A., Borrmann A., Brilakis I. 3D deep learning enhanced void-growing approach in creating geometric digital twins of buildings // Proceedings of the Institution of Civil Engineers: Smart Infrastructure and Construction. – 2023. – Vol. 176. – P. 24–40. – DOI 10.1680/jsmic.21.00035.
  16. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2016. – P. 770-778. – DOI 10.1109/cvpr.2016.90.
  17. Hu Q., Yang B., Khalid S. et al. SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point Clouds // International Journal of Computer Vision. – 2022. – P. 1–28. – DOI 10.1007/s11263-021-01554-9.
  18. Chen M., Hu Q., Yu Z. et al. STPLS3D: A Large-Scale Synthetic and Real Aerial Photogrammetry 3D Point Cloud Dataset // arXiv preprint. – 2022. – arXiv: 2203.09065

Образец цитирования:

Василенко Д. В. Разработка алгоритма классификации плотных облаков точек на примере городской застройки // Вестник СГУГиТ. – 2024. – Т. 29, № 6. – С. 44-52. – DOI 10.33764/2411-1759-2024-29-6-44-52