Multiple Random Observation Strategy for Enhanced ALS Point Cloud Segmentation

doi:10.1109/JSTARS.2025.3607404

Multiple Random Observation Strategy for Enhanced ALS Point Cloud Segmentation

2025-01-01

0

OA

AI

DOI：10.1109/JSTARS.2025.3607404

原文链接

查看原文

摘要

En 中文

随机采样（RS）因其高计算效率而在数据驱动的规模化点云处理中广泛应用。然而，它存在两个关键局限性：首先，前向传播过程中引入的随机性可能导致特征提取不稳定，进而影响模型性能；其次，RS未考虑点云的空间结构，可能造成关键信息的丢失。这些问题在机载激光扫描（ALS）点云中尤为突出，后者通常存在严重的类别不平衡和显著的物体尺度差异。为解决这些挑战，我们提出了一种多重随机观测（MRO）框架，该框架在利用RS效率的同时捕获空间互补特征。在此基础上，我们引入了基于MRO的特征聚合模块，该模块通过整合多观测特征来提升特征提取稳定性并增强分割精度。此外，我们提出了基于MRO的下采样策略，该策略通过下采样过程中评估观测间特征差异来识别信息点，从而提升整体模型性能。所提方法已集成到多种基于RS的骨干网络中，并在两个代表性ALS数据集（即ISPRS和LASDU）上进行了评估，结果表明其相比当前领先方法具有更强的竞争力。

Keyword:

Airborne laser scanning (ALS)

point cloud

random sampling (RS)

semantic segmentation

Multiple Random Observation Strategy for Enhanced ALS Point Cloud Segmentation

摘要

AI总结

期刊

机构

引用论文