[논문 리뷰] OpenGF: An Ultra-Large-Scale Ground Filtering Dataset Built Upon Open ALS Point Clouds Around the World

Nannan Qin, Weikai Tan외 3명|arXiv (Cornell University)|2021. 01. 24.

Remote Sensing and LiDAR Applications참고 문헌 22인용 수 5

한 줄 요약

OpenGF는 4개국의 9개 대표적 환경에서 47.7km²에 이르는 다양한 지형을 포함해 총 542만 개 이상의 정밀하게 레이블링된 지면 및 비지면 포인트를 포함한 초대규모로 공개된 지면 필터링 데이터셋이다. 개방형 ALS 포인트 클라우드를 기반으로 구축되어 딥러닝 모델의 효과적 훈련 및 벤치마킹을 가능하게 하며, 특히 복잡한 혼합 지형 환경에서 규칙 기반 방법에 비해 정확도와 강인성 면에서 뚜렷한 우수성을 보인다.

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.

연구 동기 및 목표

• 딥러닝 모델 훈련을 위한 대규모, 다양한 종류의 지면 필터링 데이터셋이 부족한 문제를 해결하기 위해.
• 기존 개방형 ALS 포인트 클라우드를 활용해 고품질 지면 필터링 데이터셋을 효율적이고 확장 가능한 전략으로 구축하기 위해.
• 최신 규칙 기반 및 딥러닝 기반 지면 필터링 알고리즘을 평가하기 위한 종합적인 벤치마킹을 제공하기 위해.
• 복잡한 지형과 구조적 변형을 처리할 수 있는 일반화 능력이 뛰어난 딥러닝 모델의 훈련을 가능하게 하기 위해.
• 기존 지면 필터링 평가 지표를 세분화 분류 프레임워크와 호환 가능한 지표로 변환하여 일관된 평가를 가능하게 하기 위해.

제안 방법

• 4개국의 기존 베이스어스 분류를 보유한 개방형 ALS 포인트 클라우드를 활용해 레이블링 기반을 마련하기 위해.
• 다단계 반자동 레이블링 파이프라인을 적용해 다양한 지형 유형에 걸쳐 지면 및 비지면 포인트를 효율적으로 레이블링하기 위해.
• 도시, 산림, 고산지역 등 다양한 유형의 지형을 포함한 9개의 대표적 환경 시나리오를 선정하여 시나리오 다양성과 실제 적용 가능성을 확보하기 위해.
• 고해상도 및 세밀한 레이블링을 통해 시각적 점검 및 일관성 검증을 실시해 레이블 품질을 보장하기 위해.
• 기존 지면 필터링 평가 지표(예: RMSE, OA, IoU)를 세분화 분류 평가 프레임워크에서 사용 가능한 지표로 변환하기 위해.
• 테스트 세트 2종을 설계: 테스트 I(청결한 데이터) 및 테스트 II(외곽치 포함), 다양한 데이터 품질 조건에서의 강인한 평가를 가능하게 하기 위해.

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.

실험 결과

연구 질문

• RQ1 대규모, 다양한 종류의 지면 필터링 데이터셋이 복잡한 지형 유형에 걸쳐 일반화 능력이 뛰어난 딥러닝 모델 훈련에 효과적으로 기여할 수 있는가?
• RQ2 실제 대규모 ALS 데이터에서 최신 3D 세분화 네트워크가 기존 규칙 기반 지면 필터링 방법에 비해 정확도와 강인성 면에서 어떻게 비교되는가?
• RQ3 딥러닝 모델은 규칙 기반 접근 방식에 비해 마이크로 지형 오류와 대규모 구조물(예: 옥상)을 잘못 지면으로 분류하는 문제를 어느 정도 줄일 수 있는가?
• RQ4 외곽치의 존재가 다양한 지면 필터링 알고리즘의 성능에 어떤 영향을 미치며, 어떤 방법이 가장 강인한가?
• RQ5 지면 필터링 평가 프레임워크를 표준 세분화 분류 지표와 통합하여 일관된 벤치마킹을 가능하게 할 수 있는가?

주요 결과

• KPConv는 테스트 I에서 가장 높은 전체 정확도를 기록했으며, 지면 포인트에 대해 OA 94.96% 및 IoU 90.42%를 달성했고, RMSE는 0.50미터로 가장 낮았다.
• RandLA-Net은 외곽치가 포함된 테스트 II에서 모든 기준선보다 뛰어난 분류 정확도와 강인성을 확보했으며, 노이즈가 많고 복잡한 환경에서도 뛰어난 성능을 보였다.
• PMF는 규칙 기반 방법으로서 테스트 I에서 가장 빠른 처리 시간(1분)을 기록했지만, 외곽치가 포함된 테스트 II에서는 성능이 가장 열 劣하여 데이터 오염에 민감함을 드러냈다.
• 3D 세분화 네트워크는 규칙 기반 방법에 비해 외곽치에 대해 훨씬 낮은 민감도를 보였으며, 이는 국소 최소값 가정에 의존하지 않기 때문이다.
• 딥러닝 모델의 실행 시간은 데이터 크기와 선형적으로 증가하는 반면, 규칙 기반 방법은 매개변수 조정과 데이터 복잡도에 매우 의존했다.
• 높은 분류 정확도에도 불구하고 딥러닝 모델은 여전히 마이크로 지형 오류와 대규모 옥상 구조물을 잘못 지면으로 분류하는 문제가 존재해, 아키텍처 설계 향상 또는 후처리 기법 개선이 필요함을 시사한다.

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.