elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Multi-Scale Local Context Embedding for LiDAR Point Cloud Classification

Huang, Rong und Hong, Danfeng und Xu, Yusheng und Yao, Wei und Stilla, U. (2020) Multi-Scale Local Context Embedding for LiDAR Point Cloud Classification. IEEE Geoscience and Remote Sensing Letters, 17 (4), Seiten 721-725. IEEE - Institute of Electrical and Electronics Engineers. doi: 10.1109/LGRS.2019.2927779. ISSN 1545-598X.

[img] PDF - Postprintversion (akzeptierte Manuskriptversion)
1MB

Offizielle URL: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8777118

Kurzfassung

The semantic interpretation using point clouds, especially regarding light detection and ranging (LiDAR) point cloud classification, has attracted a growing interest in the fields of photogrammetry, remote sensing, and computer vision. In this letter, we aim at tackling a general and typical feature learning problem in 3-D point cloud classification—how to represent geometric features by structurally considering a point and its surroundings in a more effective and discriminative fashion? Recently, enormous efforts have been made to design the geometric features, yet it is less investigated to fully explore the potentials of the features. For that, there have been many filter-based studies proposed by selecting a subset of the whole feature space for better representing the local geometry structure. However, such a hard-threshold selection strategy inevitably suffers from information loss. In addition, the construction of the geometric features is relatively sensitive to the size of the neighborhood. To this end, we propose to extract multi-scaled feature representations and locally embed them into a low-dimensional and robust subspace where a more compact representation with the intrinsic structure preservation of the data is expected to be obtained, thereby further yielding a better classification performance. In our case, we apply a popular manifold learning approach, that is, locality-preserving projections, for the task of learning low-dimensional embedding. Experimental results conducted on one LiDAR point cloud data set provided by the 2018 IEEE Data Fusion Contest demonstrate the effectiveness of the proposed method in comparison with several commonly used state-of-the-art baselines.

elib-URL des Eintrags:https://elib.dlr.de/132299/
Dokumentart:Zeitschriftenbeitrag
Titel:Multi-Scale Local Context Embedding for LiDAR Point Cloud Classification
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Huang, Rongrong.huang (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hong, DanfengDanfeng.Hong (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Xu, YushengTUMNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Yao, Weiwei.hn.yao (at) polyu.edu.hkNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Stilla, U.TU MuenchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:April 2020
Erschienen in:IEEE Geoscience and Remote Sensing Letters
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:17
DOI:10.1109/LGRS.2019.2927779
Seitenbereich:Seiten 721-725
Verlag:IEEE - Institute of Electrical and Electronics Engineers
ISSN:1545-598X
Status:veröffentlicht
Stichwörter:Geometric features, light detection and ranging (LiDAR) point cloud classification, local manifold learning (LML), multi-scale
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Vorhaben hochauflösende Fernerkundungsverfahren (alt)
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Hong, Danfeng
Hinterlegt am:05 Dez 2019 16:11
Letzte Änderung:24 Okt 2023 12:44

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.