vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2024-29-6-44-52 Дистанционное зондирование земли, фотограмметрия Разработка алгоритма классификации плотных облаков точек на примере городской застройки Д. В. Василенко Василенко Д. В. Московский физико-технический институт (Национальный исследовательский университет), г. Москва, Российская Федерация АО «Фирма «РАКУРС», г. Москва, Российская Федерация 2024 29 6 44 52 © Д. В. Василенко, 2024 2024 Д. В. Василенко Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. 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. машинное обучение глубокое обучение искусственные нейронные сети лазерное сканирование аэросъемка фотограмметрия облако точек machine learning deep learning algorithm architecture laser scanning aerial photography phogrammetry point cloud 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