Schnelle semantische Segmentierung von 3D-Punktwolken mit stark variabler Dichte

Wir beschreiben eine effektive und effiziente Methode zur punktweisen semantischen Klassifikation von 3D-Punktwolken. Die Methode ist in der Lage, unstrukturierte und inhomogene Punktwolken, wie solche, die aus statischen terrestrischen LiDAR-Messungen oder photogrammetrischen Rekonstruktionen stammen, zu verarbeiten; zudem ist sie rechnerisch sehr effizient, sodass Punktwolken mit mehreren Millionen Punkten innerhalb weniger Minuten verarbeitet werden können. Das entscheidende Kriterium, sowohl starke Schwankungen der Punkt-Dichte zu bewältigen als auch die Rechenzeit zu minimieren, erweist sich als sorgfältige Behandlung von Nachbarschaftsbeziehungen. Durch die Wahl geeigneter Definitionen des (mehrschichtigen) Nachbarschaftsbereichs einer Point erhalten wir ein Merkmalsset, das sowohl ausdrucksstark als auch schnell berechenbar ist. Wir evaluieren unsere Klassifikationsmethode sowohl an Benchmark-Daten eines mobilen Kartierungsplattformen als auch an einer Vielzahl großer, terrestrischer Laserscans mit stark variierender Punkt-Dichte. Das vorgeschlagene Merkmalsset übertrifft den Stand der Technik hinsichtlich der Genauigkeit der punktweisen Klassifikation und ist gleichzeitig deutlich schneller berechenbar.