LiDARの視点から：陸上点雲分割のための特徴量拡張と不確実性情報に基づく注釈パイプライン

arXiv:2510.06582v3 Announce Type: replace Abstract: 陸上レーザースキャニング（TLS）点雲の正確なセマンティック分割は、高価な手動注釈によって制限されています。我々は、球面投影、特徴量拡張、アンサンブル学習、そして標的注釈を統合し、ラベリングの労力を削減しつつ高い精度を維持する、半自動化の不確実性情報に基づくパイプラインを提案します。我々のアプローチは、3D 点を 2D 球面グリッドに投影し、ピクセルを多ソースの特徴量で拡張し、分割ネットワークのアンサンブルを訓練して偽ラベルと不確実性情報マップを生成します。後者は、曖昧な領域の注釈を誘導します。2D オウットプットは 3D にバック投影され、密集した注釈点雲を生成し、それを迅速なトライアージとレビューヤーの支援のための 3 つのレイヤーのビジュアライゼーションスイート（2D 特徴量マップ、3D カラフル点雲、コンパクトな仮想球体）によってサポートします。このパイプラインを使用して、我々はマングローブ森林のためのセマンティック分割 TLS データセットである Mangrove3D を構築しました。さらに、データ効率と特徴量の重要性を評価し、2 つの重要な質問を解決しました：(1) どれだけの注釈データが必要か、(2) どの特徴量が最も重要か。結果は、性能が約 12 回の注釈スキャン後に飽和し、幾何学的特徴量が最も寄与し、コンパクトな 9 チャンネルスタックがほぼすべての識別能力を捕捉し、平均交差融合比（mIoU）が約 0.76 で平坦になることを示しました。最後に、ForestSemantic および Semantic3D クロスデータセットテストを通じて、我々の特徴量拡張戦略の汎用性を確認しました。 我々の貢献は、(i) ビジュアライゼーションツールを備えた堅牢で不確実性情報に基づく TLS 注釈パイプライン、(ii) Mangrove3D データセット、(iii) データ効率と特徴量の重要性に関する経験的ガイドラインを含み、これにより生態モニタリングおよびそれを超えた TLS 点雲の拡張可能な高品質な分割を可能にします。データセットと処理スクリプトは、https://fz-rit.github.io/through-the-lidars-eye/ で公開されています。

arXiv:2510.06582v3 Announce Type: replace Abstract: Accurate semantic segmentation of terrestrial laser scanning (TLS) point clouds is limited by costly manual annotation. We propose a semi-automated, uncertainty-aware pipeline that integrates spherical projection, feature enrichment, ensemble learning, and targeted annotation to reduce labeling effort, while sustaining high accuracy. Our approach projects 3D points to a 2D spherical grid, enriches pixels with multi-source features, and trains an ensemble of segmentation networks to produce pseudo-labels and uncertainty maps, the latter guiding annotation of ambiguous regions. The 2D outputs are back-projected to 3D, yielding densely annotated point clouds supported by a three-tier visualization suite (2D feature maps, 3D colorized point clouds, and compact virtual spheres) for rapid triage and reviewer guidance. Using this pipeline, we build Mangrove3D, a semantic segmentation TLS dataset for mangrove forests. We further evaluate data efficiency and feature importance to address two key questions: (1) how much annotated data are needed and (2) which features matter most. Results show that performance saturates after ~12 annotated scans, geometric features contribute the most, and compact nine-channel stacks capture nearly all discriminative power, with the mean Intersection over Union (mIoU) plateauing at around 0.76. Finally, we confirm the generalization of our feature-enrichment strategy through cross-dataset tests on ForestSemantic and Semantic3D. Our contributions include: (i) a robust, uncertainty-aware TLS annotation pipeline with visualization tools; (ii) the Mangrove3D dataset; and (iii) empirical guidance on data efficiency and feature importance, thus enabling scalable, high-quality segmentation of TLS point clouds for ecological monitoring and beyond. The dataset and processing scripts are publicly available at https://fz-rit.github.io/through-the-lidars-eye/.