[论文解读] 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 319

一句话总结

本论文介绍 Paris-Lille-3D，这是通过移动激光扫描获取的大型城市三维点云数据集，提供对50个类别的手工标注地面真值，促进分割和分类研究与基准评估。

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/

研究动机与目标

• 提供高质量、规模较大的城市三维点云数据集，附带地面真实标签的分割和分类信息。
• 描述数据获取、后处理、标注，以及从现有基准改编的类别树。
• 支持点级分类、目标检测和分割方法的训练，包括深度学习。
• 展示数据集的基线分割与分类结果，以建立基准。

提出的方法

• 使用 Velodyne HDL-32E 在移动平台上结合 RTK-GPS/INS 获取 Lille 与 Paris 的密集 MLS 点云，以实现准确的地理定位。
• 对轨迹进行后处理并插值点，生成带有每点属性（x,y,z,x_origin,y_origin,z_origin,t,reflectance,label,class）的地理参考云。
• 使用 CloudCompare 手动分割并标注点云，重用并扩展 iQmulus/Terramobilita 的类别树（50 类），并提供 XML 类树（classes.xml）。
• 提供三个 ASCII 注释文件，包含样本 ID、类别 ID、类别名称以及对选定样本的注释。
• 给出一个基线的自动分割/分类流程（地面提取、区域生长分割、基于描述符的对象特征，以及随机森林分类）。
• 相比先前工作提供改进（对区域生长的地面种子更鲁棒，以及对象下方的上下文高程描述符），并给出基线指标。

实验结果

研究问题

• RQ1 一个大规模、密集的 MLS 城市点云，附带广泛的地面真值标签，是否能支持训练和评估分割与逐点分类方法？
• RQ2 基线分割/分类流程在该数据集上的性能如何，以及描述符选择如何影响结果？
• RQ3 里尔与巴黎场景的结构差异如何影响数据集上的分割与分类性能？

主要发现

数据集	精确度	召回率	F1
Lille1	70.24%	38.55%	49.78%
Lille2	59.09%	31.71%	41.27%
Paris	54.24%	28.46%	37.33%

• 数据集总长度为 1,940 m，覆盖 Lille1、Lille2 和 Paris，共含 143.1 百万点，覆盖 50 个类别。
• 地面真值分割/注释使得对对象级检测和逐点分类的评估成为可能。
• 一个基线分割方法在各区域的精确度/召回率和 F1 指标如下：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%）。
• 将几何描述符与 GRSD 结合在较低描述符数量下仍能获得强的分类性能。
• 该数据集因其规模和类别多样性，适合用于训练深度学习方法。