ISPRSC, H3DC

本文提出的数据集ISPRSC和H3DC是针对机载激光扫描点云分割任务的持续测试时适应（CTTA）的基准数据集。这两个数据集包含了七种常见的损坏类型，反映了恶劣天气、传感器测量偏差和复杂现实世界噪声。它们为在CTTA场景下对分割性能进行系统评估提供了标准化的评估协议，并为未来的研究提供了基准。

The datasets ISPRSC and H3DC proposed in this paper are benchmark datasets for continual test-time adaptation (CTTA) on airborne LiDAR point cloud segmentation tasks. Both datasets contain seven common corruption types that reflect harsh weather conditions, sensor measurement biases, and complex real-world noises. They provide standardized evaluation protocols for the systematic assessment of segmentation performance in CTTA scenarios, and serve as benchmarks for future research.

原始信息汇总

APCoTTA 数据集概述

数据集简介

• 数据集名称：APCoTTA
• 研究领域：航空激光扫描（ALS）点云语义分割
• 主要用途：支持连续测试时间适应（CTTA）任务，用于大尺度3D场景理解

核心特点

1. 动态可训练层选择模块：通过梯度信息识别低置信度层进行训练，保留关键源域知识
2. 基于熵的一致性损失：仅对可靠样本应用一致性损失，增强模型稳定性
3. 随机参数插值机制：平衡目标适应和源知识保留，减轻遗忘问题

技术贡献

• 提出首个针对ALS点云语义分割的CTTA方法
• 构建两个基准测试集：ISPRSC和H3DC
• 实验结果显示mIoU提升显著（ISPRSC约9%，H3DC约14%）

相关资源

• 论文链接：https://arxiv.org/abs/2505.09971
• 代码状态：即将发布

引用格式

bibtex @misc{gao2025apcottacontinualtesttimeadaptation, title={APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds}, author={Yuan Gao and Shaobo Xia and Sheng Nie and Cheng Wang and Xiaohuan Xi and Bisheng Yang}, year={2025}, eprint={2505.09971}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2505.09971}, }

搜集汇总

数据集介绍

构建方式

ISPRSC和H3DC数据集是针对机载LiDAR点云语义分割的持续测试时适应（CTTA）任务而构建的基准数据集。ISPRSC基于ISPRS Vaihingen 3D语义标注基准数据集，通过模拟七种常见干扰类型（如强阳光、空间噪声、密度减少等）构建，每种干扰分为五个严重级别。H3DC则基于Hessigheim 3D基准数据集，采用类似的干扰模拟方法，但针对其高密度点云特性调整了参数。数据构建过程中，通过添加高斯噪声、随机去除点云、局部区域切割等技术手段，真实还原了实际应用中可能遇到的传感器退化、环境变化等问题。

使用方法

该数据集的使用需结合持续测试时适应的特定范式。研究者在源域（如原始ISPRS/H3D训练集）预训练模型后，需依次在数据集的七个干扰类型上进行在线适应测试。典型流程包括：加载含干扰的测试批次→通过动态可训练层选择（DSTL）模块识别低置信度层→基于熵的一致性损失（EBCL）过滤低质量样本→随机参数插值（RPI）平衡源域知识保留。评估时采用mIoU和OA指标，重点关注模型在连续域变化下的性能稳定性。数据集的层级化干扰设计允许进行渐进式难度分析，而每个干扰类型的独立测试单元支持模块化验证。

背景与挑战

背景概述

ISPRSC和H3DC数据集由中国科学院数字地球科学重点实验室、长沙理工大学测绘工程系以及武汉大学测绘遥感信息工程国家重点实验室的研究团队于2025年提出，旨在解决机载激光雷达（ALS）点云语义分割中的持续测试时适应（CTTA）问题。该研究团队由Yuan Gao、Shaobo Xia等学者领衔，其核心研究问题聚焦于动态环境变化导致的领域偏移问题，如天气条件、传感器类型及退化等因素对模型性能的影响。通过构建这两个标准化基准数据集，研究团队填补了ALS点云CTTA任务中公开数据集的空白，推动了三维场景理解领域的发展。

当前挑战

ISPRSC和H3DC数据集面临的挑战主要包括两方面：领域问题的挑战和构建过程的挑战。在领域问题方面，ALS点云语义分割需应对动态环境变化（如强光照、降雨等天气干扰）和传感器差异（如扫描模式、飞行高度等）导致的领域偏移，传统静态模型难以适应持续变化的目标域分布。构建过程中的挑战包括：1) 缺乏标准化的ALS点云CTTA基准，需人工合成多种噪声类型（如高斯噪声、空间噪声等）模拟真实环境；2) 长期适应过程中易出现灾难性遗忘和错误累积，需设计动态可训练层选择、基于熵的一致性损失等机制以保持模型稳定性。

常用场景

经典使用场景

ISPRSC和H3DC数据集在机载LiDAR点云语义分割领域具有重要应用价值，尤其在持续测试时适应（CTTA）任务中表现突出。这些数据集通过模拟真实环境中的多种干扰类型，如强阳光、空间噪声和密度减少等，为研究模型在动态变化环境中的鲁棒性提供了标准化测试平台。经典使用场景包括模型在无监督条件下对连续变化的点云数据进行在线适应，确保在天气变化、传感器退化等复杂条件下仍能保持高精度分割。

解决学术问题

ISPRSC和H3DC数据集解决了机载LiDAR点云语义分割中的两个核心学术问题：一是缺乏针对CTTA任务的标准化基准数据集，二是模型在长期适应过程中易出现的灾难性遗忘和错误累积问题。通过提供多样化的干扰类型和严格的评估协议，这些数据集使研究者能够系统地测试和比较不同CTTA方法的性能。此外，数据集支持的研究工作显著提升了模型在动态环境中的适应能力，为点云分割领域的算法创新提供了重要基础。

实际应用

在实际应用中，ISPRSC和H3DC数据集为城市规划、森林资源监测和自动驾驶等领域提供了关键技术支持。例如，在城市三维重建中，模型通过持续适应不同季节和天气条件下的点云数据，能够准确分割建筑物、道路和植被等地物。在森林参数反演中，数据集支持的鲁棒分割算法有助于从动态采集的LiDAR数据中提取树木高度和密度信息，为生态研究提供可靠数据支撑。

数据集最近研究

最新研究方向

近年来，ISPRSC和H3DC数据集在机载LiDAR点云语义分割领域引起了广泛关注。随着无人机和直升机平台的普及，机载LiDAR数据获取变得更加灵活高效，为大规模3D场景理解提供了可靠的空间信息。然而，实际应用中，模型在训练后通常固定不变，而环境变化、传感器类型差异或传感器退化等因素导致的域偏移往往会导致模型性能下降。为了应对这一挑战，研究者提出了连续测试时间适应（CTTA）方法，旨在模型部署过程中适应不断变化的未标记目标域。最新的研究方向集中在动态可训练层选择、基于熵的一致性损失和随机参数插值机制等方面，以减轻灾难性遗忘和错误累积问题。这些研究不仅推动了机载LiDAR点云语义分割技术的发展，还为实际应用中的模型鲁棒性和适应性提供了重要支持。

相关研究论文

• APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds

  中国科学院空天信息研究院，中国科学院数字地球科学重点实验室，中国科学院大学，长沙理工大学测绘工程系，武汉大学测绘遥感信息工程国家重点实验室 · 2025年