[論文レビュー] Paris-Lille-3D: a large and high-quality ground truth urban point cloud dataset for automatic segmentation and classification

Xavier Roynard, Jean‐Emmanuel Deschaud+1 more|arXiv (Cornell University)|Jan 1, 2017

Remote Sensing and LiDAR Applications参考文献 24被引用数 319

ひとこと要約

本論文は、Mobile Laser Scanning によって取得された大規模な都市部3D点群データセット Paris-Lille-3D を紹介し、50クラスの手動アノテーション Ground Truth を提供し、セマンティックセグメンテーションと分類の研究・ベンチマークを可能にする。

ABSTRACT

This paper introduces a new Urban Point Cloud Dataset for Automatic Segmentation and Classification acquired by Mobile Laser Scanning (MLS). We describe how the dataset is obtained from acquisition to post-processing and labeling. This dataset can be used to learn classification algorithm, however, given that a great attention has been paid to the split between the different objects, this dataset can also be used to learn the segmentation. The dataset consists of around 2km of MLS point cloud acquired in two cities. The number of points and range of classes make us consider that it can be used to train Deep-Learning methods. Besides we show some results of automatic segmentation and classification. The dataset is available at: http://caor-mines-paristech.fr/fr/paris-lille-3d-dataset/

研究の動機と目的

• 高品質で大規模な都市部3D点群データセットを、グラウンドトゥルースのセグメンテーションと分類ラベルとともに提供する。
• 既存のベンチマークに適応したデータ取得、後処理、ラベリング、クラスツリーの説明。
• ポイントごとの分類、物体検出、セグメンテーション手法（深層学習を含む）の訓練を可能にする。
• ベンチマークを確立するためDataset上のベースラインのセグメンテーションと分類結果を示す。

提案手法

• Velodyne HDL-32E を用いたモバイルプラットフォームでの dense MLS 点群を取得し、RTK-GPS/INS で正確な地理参照を行う。
• 軌跡の後処理と点を補間して、per-point 属性を持つ地理参照クラウドを生成（x,y,z,x_origin,y_origin,z_origin,t,reflectance,label,class）。
• CloudCompare を用いてクラウドを手動でセグメント・アノテーションし、iQmulus/Terramobilita のクラスツリーを再利用・拡張（50 クラス）、XML クラスツリー（classes.xml）を提供。
• 選択サンプルのサンプルID、クラスID、クラス名、アノテーションを含む3つのASCIIアノテーションファイルを提供。
• 基礎的な自動セグメンテーション/分類パイプライン（地上抽出、領域成長セグメンテーション、特徴量Descriptorを用いた物体特徴、Random Forest分類）。
• 前作よりの改良点（領域成長のためのより堅牢な地上種、物体下の文脈的標高記述子）を提示し、基準となるメトリクスを提供。」],
• research_questions [

実験結果

リサーチクエスチョン

• RQ1 広範なグラウンドトゥルースラベリングを伴う大規模で密な MLS 都市点群は、セグメンテーションおよび点ごとの分類手法の訓練と評価をサポートできるか。
• RQ2 このデータセットにおけるベースラインのセグメンテーション/分類パイプラインの性能はどの程度か、そして descriptor の選択が結果にどう影響するか。
• RQ3 LilleとParis のシーン構造の差が、データセット上のセグメンテーションと分類の性能にどのような影響を与えるか。

主な発見

データセット	適合率	再現率	F1
Lille1	70.24%	38.55%	49.78%
Lille2	59.09%	31.71%	41.27%
Paris	54.24%	28.46%	37.33%

• The dataset contains 1,940 m total length with 143.1 million points across Lille1, Lille2, and Paris, spanning 50 classes.
• Ground-truth segmentation/annotation enables evaluation of object-level detection and per-point classification.
• A baseline segmentation approach achieves precision/recall and F1 metrics that vary by area: Lille1 (Precision 70.24%, Recall 38.55%, F1 49.78%), Lille2 (Precision 59.09%, Recall 31.71%, F1 41.27%), Paris (Precision 54.24%, Recall 28.46%, F1 37.33%).
• Combining geometric descriptors with GRSD yields strong classification performance with relatively low descriptor count.
• The dataset is presented as suitable for training deep learning methods given its scale and class diversity.