Key points are not available for this paper at this time.
La segmentation sémantique des zones urbaines utilisant des données de nuages de points de détection et de télémétrie par laser (LiDAR) est un défi en raison de la complexité, des valeurs aberrantes et de la nature hétérogène des données de nuages de points d'entrée. Les méthodes basées sur l'apprentissage automatique pour segmenter les nuages de points souffrent de la computation imprécise des valeurs de caractéristiques d'entraînement. Le facteur le plus important qui influence la précision des valeurs de caractéristiques calculées est le voisinage choisi par chaque point. Cette recherche aborde ce problème et propose une approche de sélection de voisinage adaptatif appropriée pour des points individuels en prenant complètement en compte la nature complexe et hétérogène des données de nuages de points LiDAR. L'approche proposée est évaluée sur des ensembles de données de nuages de points LiDAR mobiles à haute densité et aériens à basse densité en utilisant le classificateur d'apprentissage automatique Random Forest. Dans le contexte de l'évaluation des performances, l'approche proposée confirme des performances compétitives par rapport aux approches de pointe. L'exactitude calculée et le score F1 pour les ensembles de données de Toronto à haute densité et de Vaihingen à basse densité sont supérieurs à 91 % et 82 %, respectivement.
Chakraborty et al. (Jeudi,) ont étudié cette question.