基于多维几何特征嵌入的遥感ALS点云少样本语义分割

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Few-Shot Semantic Segmentation for Remote Sensing ALS Point Clouds Via Multi-Dimensional Geometric Feature Embedding

【字体: 大 中 小 】 时间:2026年07月01日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3

编辑推荐:

   摘要:遥感点云数据的语义分割是3D计算机视觉和生态遥感领域中的关键任务。为了解决机载激光扫描点云分布稀疏且不均匀、标注成本高以及分割精度有限等问题,本文提出了一种结合元学习与多原型学习的少样本语义分割方法。该方法侧重于空间、形状以及多维几何特征的有效表示与提取。具体而言,从机载

  

摘要:

遥感点云数据的语义分割是3D计算机视觉和生态遥感领域中的关键任务。为了解决机载激光扫描点云分布稀疏且不均匀、标注成本高以及分割精度有限等问题,本文提出了一种结合元学习与多原型学习的少样本语义分割方法。该方法侧重于空间、形状以及多维几何特征的有效表示与提取。具体而言,从机载激光扫描点云中计算并提取了四种几何特征:线性、平面性、球面性以及表面变化。随后,多原型生成模块用于捕捉不同类别之间的语义关系,而标签传播算法则基于构建的k最近邻图来评估查询点之间的语义相似度。此外,还引入了对齐正则化损失,以共同优化支持点与查询点的特征分布,从而解决背景混合和特征稀疏等问题。在我们自行构建的校园机载激光扫描数据集(HZNU-3D)上的实验表明,在双向1次采样的设置下,该方法的平均mIoU值为77.05%,比现有的少样本分割方法高出约2.14%。此外,我们将该方法应用于整个校园场景(单向5次采样),实现了对树木和建筑物的精确分割,显示出其在生态和校园应用中的潜力。在ISPRS基准测试中也有类似的性能提升,该方法在多种任务设置下均优于现有的少样本分割方法,在具有挑战性的双向1次采样场景中,其mIoU值可达43.38%,这体现了其在不同点密度机载激光扫描数据集上的强大适应能力和优异的泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号