[論文レビュー] OpenGF: An Ultra-Large-Scale Ground Filtering Dataset Built Upon Open ALS Point Clouds Around the World

Nannan Qin, Weikai Tan+3 more|arXiv (Cornell University)|Jan 24, 2021

Remote Sensing and LiDAR Applications参考文献 22被引用数 5

ひとこと要約

OpenGF は、4カ国から9つの典型的なシーンを含む、47.7 km² の多様な地形をカバーする、54200万点以上の高精度にラベル付けされた地面および非地面点を含む、超大規模で公開済みの地面フィルタリングデータセットである。オープンな ALS ポイントクラウドを基盤として構築され、深層学習モデルの効果的な学習とベンチマークが可能となり、特に複雑で混合された地形環境において、ルールベース手法よりも顕著に高い精度と頑健性を示す。

ABSTRACT

Ground filtering has remained a widely studied but incompletely resolved bottleneck for decades in the automatic generation of high-precision digital elevation model, due to the dramatic changes of topography and the complex structures of objects. The recent breakthrough of supervised deep learning algorithms in 3D scene understanding brings new solutions for better solving such problems. However, there are few large-scale and scene-rich public datasets dedicated to ground extraction, which considerably limits the development of effective deep-learning-based ground filtering methods. To this end, we present OpenGF, first Ultra-Large-Scale Ground Filtering dataset covering over 47 $km^2$ of 9 different typical terrain scenes built upon open ALS point clouds of 4 different countries around the world. OpenGF contains more than half a billion finely labeled ground and non-ground points, thousands of times the number of labeled points than the de facto standard ISPRS filtertest dataset. We extensively evaluate the performance of state-of-the-art rule-based algorithms and 3D semantic segmentation networks on our dataset and provide a comprehensive analysis. The results have confirmed the capability of OpenGF to train deep learning models effectively. This dataset is released at https://github.com/Nathan-UW/OpenGF to promote more advancing research for ground filtering and large-scale 3D geographic environment understanding.

研究の動機と目的

• 深層学習モデルの学習に適した、大規模で多様性に富み、公開可能な地面フィルタリングデータセットの不足に対処すること。
• 既存のオープンな ALS ポイントクラウドを活用して、高品質な地面フィルタリングデータセットを構築するための効率的でスケーラブルな戦略を開発すること。
• 最先端のルールベースおよび深層学習ベースの地面フィルタリングアルゴリズムを包括的に評価するためのベンチマークを提供すること。
• 複雑な地形や構造的変動を扱える汎用性の高い深層学習モデルの学習を可能にすること。
• 従来の地面フィルタリング評価指標を、セマンティックセグメンテーションフレームワークと整合性を持つ分類適合指標に変換すること。

提案手法

• 4カ国から得た既存の裸地分類付きオープン ALS ポイントクラウドを活用し、ラベル付けの基盤を構築した。
• 多段階で自動化を組み合わせた半自動ラベル付けパイプラインを適用し、多様な地形タイプにわたり、効率的に地面および非地面点をラベル付けした。
• 都市部から森林地帯、山岳地帯までをカバーする9つの典型的な地形シーンを選定し、シーンの多様性と実世界への適用可能性を確保した。
• 高解像度で細分化されたラベル付けを実施し、視覚的検査と一貫性チェックを実施することで、ラベル品質を保証した。
• 標準的な地面フィルタリング指標（例：RMSE、OA、IoU）を、セマンティックセグメンテーション評価フレームワークで使用可能な分類適合指標に変換した。
• 2つのテストセット（Test I：クリーン、Test II：外れ値を含む）を設計し、データ品質の異なる条件下でも頑健な評価が可能となった。

Figure 1: An example of the OpenGF dataset. Left: The original point cloud, Top right: Finely labeled GR (orange color) and NG (green color) points, Bottom right: DEM generated from the labeled GR points.

実験結果

リサーチクエスチョン

• RQ1 大規模で多様性に富み、公開可能な地面フィルタリングデータセットは、複雑な地形タイプにわたる汎用性の高い深層学習モデルの学習に有効に機能するか？
• RQ2 実世界の大規模な ALS データにおいて、最先端の3次元セマンティックセグメンテーションネットワークは、従来のルールベースの地面フィルタリング手法と比べて、精度と頑健性の点で優れているか？
• RQ3 深層学習モデルは、ルールベース手法と比較して、微地形の誤差をどれほど低減し、屋根のような大きな構造物を誤って地面と分類するのをどれほど減らすことができるか？
• RQ4 外れ値の存在が、さまざまな地面フィルタリングアルゴリズムの性能に与える影響は何か？また、どの手法が最も耐性があるか？
• RQ5 地面フィルタリングの評価フレームワークは、標準的なセマンティックセグメンテーション指標と統一可能か？

主な発見

• KPConv は Test I において最高の全体精度を達成し、地面点の OA が 94.96%、IoU が 90.42% に達した。また、RMSE は 0.50 メートルと最低を記録した。
• RandLA-Net は Test II（外れ値を含む）において、すべてのベースラインを上回り、ノイズが多く複雑なシーンでも最高の分類精度と頑健性を示した。
• PMF（ルールベース手法）は Test I で最も高速（1分）であったが、Test II では最も悪い性能を示し、データ汚染に対して非常に感受性が高いことが明らかになった。
• 3次元セマンティックセグメンテーションネットワークは、局所的最小値の仮定に依存しないため、ルールベース手法と比較して外れ値に対してははるかに低い感受性を示した。
• 深層学習モデルの実行時間はデータサイズに比例して直線的に増加したが、ルールベース手法はパrameterチューニングとデータの複雑さに強く依存した。
• 高い分類精度を達成したにもかかわらず、深層学習モデルは依然として微地形の誤差や、大きな屋根構造物を地面と誤って分類する事例を生じさせた。これは、アーキテクチャ設計の改善または後処理の強化が求められることを示している。

Figure 2: Examples of the validation split: nine point cloud tiles belong to the defined nine different terrain scenes. Each sample is displayed in pairs: the labeled point cloud on the left and the corresponding DEM on the right.