[논문 리뷰] Paris-Lille-3D: a large and high-quality ground truth urban point cloud dataset for automatic segmentation and classification

Xavier Roynard, Jean‐Emmanuel Deschaud외 1명|arXiv (Cornell University)|2017. 01. 01.

Remote Sensing and LiDAR Applications참고 문헌 24인용 수 319

한 줄 요약

논문은 Paris-Lille-3D를 Mobile Laser Scanning으로 얻은 대규모 도시 3D 포인트 클라우드 데이터세트로 소개하며, 50개 클래스에 대해 수작업으로 주석된 ground truth를 제공하여 세분화(segmentation) 및 분류 연구와 벤치마킹을 가능하게 한다.

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/

연구 동기 및 목표

• ground-truth(참값) 분할 및 분류 레이블이 포함된 고품질의 대규모 도시 3D 포인트 클라우드 데이터세트를 제공한다.
• 기존 벤치마크에서 차용한 데이터 취득, 후처리, 주석 달기 및 클래스 트리를 설명한다.
• 포인트별 분류, 객체 탐지 및 분할 방법의 학습을 가능하게 하며, 딥 러닝을 포함한다.
• 데이터셋에 대한 기본 세분화 및 분류 결과를 시연하여 벤치마크를 확립한다.

제안 방법

• RTK-GPS/INS를 이용한 정확한 지리좌표화가 가능한 이동 플랫폼에서 Velodyne HDL-32E를 사용하여 Lille와 Paris의 조밀한 MLS 포인트 클라우드를 획득한다.
• 궤적을 후처리하고 포인트를 보간하여 각 포인트 속성(x,y,z,x_origin,y_origin,z_origin,t,reflectance,label,class)이 있는 지오레퍼런스된 구름을 생성한다.
• CloudCompare를 사용하여 구름을 수동으로 분할하고 주석을 달으며, iQmulus/Terramobilita 클래스 트리를 재사용·확장(50개 클래스)하고 XML classTree (classes.xml)를 제공한다.
• 선정된 샘플에 대한 샘플ID, 클래스ID, 클래스명, 주석이 포함된 세 개의 ASCII 주석 파일을 제공한다.
• 기준선 자동 세분화/분류 파이프라인(지표 추출, 영역 확장 세분화, 디스크리터 기반 객체 특징 및 Random Forest 분류)을 제시한다.
• 이전 연구에 비해 개선점(영역 확장을 위한 더 강건한 지반 시드 및 객체 아래의 맥락적 고도 디스크리터)을 제공하고 기본 지표를 제시한다.

실험 결과

연구 질문

• RQ1 광범위한 ground-truth 라벨링이 포함된 크고 조밀한 MLS 도시 포인트 클라우드가 세분화 및 포인트 단위 분류 방법의 학습과 평가를 지원할 수 있는가?
• RQ2 이 데이터세트에서의 기준선 세분화/분류 파이프라인의 성능은 어떤가, 그리고 디스크리터 선택이 결과에 어떻게 영향을 미치는가?
• RQ3 Lille와 Paris 씬의 구조적 차이가 데이터세트의 세분화 및 분류 성능에 어떤 영향을 미치는가?

주요 결과

데이터셋	정밀도	재현율	F1
Lille1	70.24%	38.55%	49.78%
Lille2	59.09%	31.71%	41.27%
Paris	54.24%	28.46%	37.33%

• 데이터세트는 Lille1, Lille2, Paris에 걸쳐 총 길이 1,940 m 와 포인트 143.1 백만개를 포함하며 50개 클래스를 포괄한다.
• Ground-truth 세분화/주석은 객체 수준 탐지 및 포인트 단위 분류의 평가를 가능하게 한다.
• 기준선 세분화 접근법은 영역에 따라 다르게 정밀도/재현율 및 F1 지표를 달성한다: Lille1(정밀도 70.24%, 재현율 38.55%, F1 49.78%), Lille2(정밀도 59.09%, 재현율 31.71%, F1 41.27%), Paris(정밀도 54.24%, 재현율 28.46%, F1 37.33%).
• 기하학적 디스크리터를 GRSD와 결합하면 비교적 낮은 디스크리터 수로 강력한 분류 성능을 얻는다.
• 데이터세트는 규모와 클래스 다양성으로 인해 딥 러닝 방법 학습에 적합하다고 제시된다.