Segmentation sémantique rapide de nuages de points 3D à densité fortement variable

Nous décrivons une méthode efficace et performante pour la classification sémantique ponctuelle des nuages de points 3D. Cette méthode est capable de traiter des nuages de points non structurés et hétérogènes, tels que ceux issus de scans LiDAR terrestres statiques ou de reconstructions photogrammétriques ; elle est également très efficace sur le plan computationnel, permettant de traiter des nuages de points comptant plusieurs millions de points en quelques minutes seulement. Le point clé, tant pour faire face aux fortes variations de densité des points que pour réduire le temps de calcul, réside dans une gestion soigneuse des relations de voisinage. En choisissant des définitions appropriées du voisinage (multi-échelle) d’un point, nous obtenons un ensemble de caractéristiques à la fois expressif et rapide à calculer. Nous évaluons notre méthode de classification sur des données de référence provenant d’une plateforme de cartographie mobile, ainsi que sur une variété de grands scans laser terrestres présentant des densités de points très variables. L’ensemble de caractéristiques proposé dépasse l’état de l’art en termes de précision de classification par point, tout en étant nettement plus rapide à calculer.