Journal of Geospatial Information Technology

fa ارزیابی مدل RandLA-Net برای بخش‌بندی معنایی ابرنقاط سه‌بعدی LiDARHD در محیط‌های شهری پیچیده از طریق بهینه‌سازی پیش‌پردازش Evaluation of RandLA-Net Model for Semantic Segmentation of 3D LiDARHD Point Clouds in Complex Urban Environments through Preprocessing Optimization سیستمهای اطلاعات مکانی (عمومی) GIS پژوهشي Research <div style="text-align: justify;">بخش‌بندی معنایی ابر نقاط سه‌بعدی یکی از چالش‌های کلیدی در پردازش داده‌های لایدار(LiDAR) و کاربردهای مرتبط با بینایی کامپیوتری، رباتیک و نقشه‌برداری شهری محسوب می‌شود. در این پژوهش، عملکرد مدل یادگیری عمیق RandLA-Net برای بخش‌بندی معنایی ابر نقاط سه‌بعدی مورد بررسی قرار گرفته است. مجموعه داده‌ی مورد استفاده در این پژوهش، داده‌های  LiDARHD هلند موسوم به  AHN4 بوده که شامل اطلاعات ارتفاعی دقیق از مناطق مختلف، به‌ویژه محیط‌های شهری و طبیعی، می‌باشد. برای بهبود دقت مدل، فرآیند پیش‌پردازش داده‌ها شامل حذف نویز، نرمال‌سازی و افزایش داده اعمال شد. به‌منظور سنجش عملکرد مدل، از شاخص نسبت اشتراک به اجتماع (IoU) استفاده شد که درصد همپوشانی بین بخش پیش‌بینی‌شده و بخش واقعی هر کلاس را نشان می‌دهد و معیاری دقیق برای ارزیابی کیفیت بخش‌بندی به شمار می‌رود. نتایج نشان داد که مدلRandLA-Net  در بخش‌بندی کلاس‌هایی مانند زمین (% 92/3 IoU:) ، پوشش گیاهی(% 93/6 IoU:) و ساختمان(% 93/7 IoU:) عملکرد بالایی داشته است. با این حال، کلاس‌های پیچیده و کم‌نمونه مانند پل ( 65/4%  IoU:)  با دقت کمتری شناسایی شدند. مقایسه‌ی مدل پیاده‌سازی‌شده با روش‌های پایه مانند  PointNet++ و  KPConvنشان می‌دهد که RandLA-Net  توانسته است دقت بالاتر و هزینه‌ی محاسباتی کمتری را ارائه دهد. نتایج کلی این پژوهش، با کسب میانگین نسبت اشتراک به اجتماع (mIoU) کلی برابر با % 78/1 بر روی مجموعه داده LiDARHD، اثربخشی یادگیری عمیق را در افزایش دقت و کارایی بخش‌بندی معنایی ابر نقاط سه‌بعدی برای کلاس‌های پرتکرار تأیید می‌کند. در عین حال، این یافته‌ها بر چالش‌های مداوم در زمینه تفکیک صحیح کلاس‌های کم‌نمونه (نادر) در محیط‌های پیچیده شهری تأکید دارد. </div>   <div style="text-align: justify;">Semantic segmentation of 3D point clouds is a key challenge in LiDAR data processing and the applications which are related to computer vision, robotics, and urban mapping. In this study, the performance of the RandLA-Net deep learning model for semantic segmentation of 3D point clouds is investigated. The dataset used in this study is the Dutch LiDARHD data called AHN4, which contains accurate elevation information from different areas, especially the urban and natural environments. To improve the model's accuracy, a data preprocessing pipeline including denoising, normalization, and data augmentation was applied. To assess the model's performance, the Intersection over Union (IoU) metric was used, which measures the percentage of overlap between the predicted and ground truth segments for each class and serves as a precise criterion for evaluating segmentation quality. The results indicated that the RandLA-Net model achieved high performance in segmenting classes such as ground (92/3% IoU), vegetation (93/6% IoU), and buildings (93/7% IoU). However,  the complex and underrepresented classes like bridges (65/4% IoU) were identified with lower accuracy. A comparison of the implemented model with baseline methods such as PointNet++ and KPConv shows that RandLA-Net provides higher accuracy with lower computational cost. The overall results of this study, with an overall average community-to-community ratio (mIoU) of 87/1% on the LiDARHD dataset, confirm the effectiveness of deep learning in increasing the accuracy and efficiency of the semantic segmentation of 3D point clouds for high-frequency classes. At the same time, these findings highlight the ongoing challenges in correct separation of the sparse classes in complex urban environments.</div>   ابر نقاط سه‌بعدی, بخش‌بندی معنایی, یادگیری عمیق, RandLA-Net , لایدار(LiDAR) , پیش‌پردازش 3D Point Clouds, Semantic Segmentation, Deep Learning, RandLA-Net, LiDAR, Preprocessing 103 123 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-1037-1&slc_lang=fa&sid=1 Javad Sadidi جواد سدیدی jsadidikhu@gmail.com 100319475328460010634 100319475328460010634 Yes Kharazmi University دانشگاه خوارزمی Hamzeh Rafizadeh حمزه رفیع زاده hamzehrafizadeh@gmail.com 100319475328460010635 100319475328460010635 No Kharazmi University دانشگاه خوارزمی Hani Rezaian هانی رضائیان hani.rezayan@gmail.com 100319475328460010636 100319475328460010636 No Kharazmi University دانشگاه خوارزمی