标题:EXPLORING CROSS-CITY SEMANTIC SEGMENTATION OF ALS POINT CLOUDS
来源:remote sensing technology institute. German Aerospace center
期刊:The International Archives of the Photogrammetry
**摘要:**如果提供足够的训练数据,深度学习模型对机载激光扫描点云的语义分割效果良好。由于来自世界各地的贡献者的贡献,越来越多的注释数据正变得公开可用。然而,在特定数据集上训练的模型在其他数据集上的性能通常很差。也就是说,由于在不同环境或不同传感器捕获的数据有不同的分布,存在显著的域转移。在本文中,我们使用两个流行的ALS数据集:来自德国的ISPRS Vaihingen数据和来自中国的LASDU数据,研究了这种域转移和潜在的缓解策略。我们比较了不同训练策略对跨城市点云语义分割的影响。在我们的实验中,我们分析了三个可能导致域漂移和影响学习的因素:点云密度、激光雷达强度和数据增强的作用。此外,我们评估了一个知名的领域适应标准方法deep CORAL。在我们的实验中,调整点云密度和适当的数据增强都有助于减少域间隙,提高分割精度。相反,强度特征可以在数据集内带来改进,但会降低数据集间的泛化。虽然Deep CORAL可以减轻不当选择的点密度、强度特征和进一步的数据偏差(如缺乏多样性)的影响,但它并没有进一步提高密度和数据增强的简单适应的准确性。