Abstract :
[en] Automation in point cloud data processing is central for efficient knowledge discovery. In this paper, we propose an instance segmentation framework for indoor buildings datasets. The process is built on an unsupervised segmentation followed by an ontology-based classification reinforced by self-learning. We use both shape-based features that only leverages the raw X, Y, Z attributes as well as relationship and topology between voxel entities to obtain a 3D structural connectivity feature describing the point cloud. These are then used through a planar-based unsupervised segmentation to create relevant clusters constituting the input of the ontology of classification. Guided by semantic descriptions, the object characteristics are modelled in an ontology through OWL2 and SPARQL to permit structural elements classification in an interoperable fashion. The process benefits from a self-learning procedure that improves the object description iteratively in a fully autonomous fashion. Finally, we benchmark the approach against several deep-learning methods on the S3DIS dataset. We highlight full automation, good performances, easy-integration and a precision of 99.99% for planar-dominant classes outperforming state-of-the-art deep learning.
[fr] L'automatisation du traitement des données dans le nuage de points est essentielle pour une découverte efficace des connaissances. Dans cet article, nous proposons un cadre de segmentation des instances pour les ensembles de données des bâtiments intérieurs. Le processus est construit sur une segmentation non supervisée suivie d'une classification basée sur une ontologie renforcée par l'auto-apprentissage. Nous utilisons à la fois des caractéristiques basées sur la forme qui n'exploitent que les attributs X, Y, Z bruts ainsi que la relation et la topologie entre les entités voxel pour obtenir une caractéristique de connectivité structurelle 3D décrivant le nuage de points. Ces caractéristiques sont ensuite utilisées par le biais d'une segmentation non supervisée basée sur un plan pour créer des groupes pertinents constituant l'entrée de l'ontologie de classification. Guidées par des descriptions sémantiques, les caractéristiques de l'objet sont modélisées dans une ontologie par OWL2 et SPARQL pour permettre la classification des éléments structurels de manière interopérable. Le processus bénéficie d'une procédure d'auto-apprentissage qui améliore la description de l'objet de manière itérative et totalement autonome. Enfin, nous comparons l'approche à plusieurs méthodes d'apprentissage approfondi sur l'ensemble de données S3DIS. Nous soulignons l'automatisation complète, les bonnes performances, la facilité d'intégration et une précision de 99,99% pour les classes à dominance planaire, ce qui surpasse l'apprentissage profond de pointe.
Disciplines :
Earth sciences & physical geography
Computer science
Engineering, computing & technology: Multidisciplinary, general & others
Scopus citations®
without self-citations
12