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

Semantic Labeling and Refinement of LIDAR Point Clouds using Deep Neural Network in Urban Areas

Huang, Rong und Ye, Zheng-Yin und Hong, Danfeng und Xu, Yusheng und Stilla, Uwe (2019) Semantic Labeling and Refinement of LIDAR Point Clouds using Deep Neural Network in Urban Areas. In: ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, IV2/W7, Seiten 63-70. PIA Photogrammetric Image Analysis, 2019-10-18 - 2019-10-20, München. doi: 10.5194/isprs-annals-IV-2-W7-63-2019. ISSN 2194-9042.

[img] PDF
6MB

Offizielle URL: https://www.isprs-ann-photogramm-remote-sens-spatial-inf-sci.net/IV-2-W7/63/2019/

Kurzfassung

In this paper, we propose a framework for obtaining semantic labels of LiDAR point clouds and refining the classification results by combining a deep neural network with a graph-structured smoothing technique. In general, the goal of the semantic scene analysis is to assign a semantic label to each point in the point cloud. Although various related researches have been reported, due to the complexity of urban areas, the semantic labeling of point clouds in urban areas is still a challenging task. In this paper, we address the issues of how to effectively extract features from each point and its local surrounding and how to refine the initial soft labels by considering contextual information in the spatial domain. Specifically, we improve the effectiveness of classification of point cloud in two aspects. Firstly, instead of utilizing handcrafted features as input for classification and refinement, the local context of a point is embedded into deep dimensional space and classified via a deep neural network (PointNet++), and simultaneously soft labels are obtained as initial results for next refinement. Secondly, the initial label probability set is improved by taking the context both in the spatial domain into consideration by constructing a graph structure, and the final labels are optimized by a graph cuts algorithm. To evaluate the performance of our proposed framework, experiments are conducted on a mobile laser scanning (MLS) point cloud dataset. We demonstrate that our approach can achieve higher accuracy in comparison to several commonly-used state-of-the-art baselines. The overall accuracy of our proposed method on TUM dataset can reach 85.38% for labeling eight semantic classes.

elib-URL des Eintrags:https://elib.dlr.de/134397/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Semantic Labeling and Refinement of LIDAR Point Clouds using Deep Neural Network in Urban Areas
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Huang, Rongrong.huang (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Ye, Zheng-YinNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hong, DanfengDanfeng.Hong (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Xu, YushengTUMNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Stilla, UwePhotogrammetry and Remote Sensing, Technische Universitaet Muenchen (TUM), Munich, GermanyNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:Oktober 2019
Erschienen in:ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:IV2/W7
DOI:10.5194/isprs-annals-IV-2-W7-63-2019
Seitenbereich:Seiten 63-70
Name der Reihe:ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences
ISSN:2194-9042
Status:veröffentlicht
Stichwörter:point clouds, MLS, semantic labeling, deep learning, optimization
Veranstaltungstitel:PIA Photogrammetric Image Analysis
Veranstaltungsort:München
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:18 Oktober 2019
Veranstaltungsende:20 Oktober 2019
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: Haschberger, Dr.-Ing. Peter
Hinterlegt am:11 Mär 2020 09:38
Letzte Änderung:24 Apr 2024 20:37

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.