ALS2DTM

ALS2DTM数据集是由计算机科学与随机系统研究所(IRISA)创建的大型数据集，包含16.59亿个点云数据和相应的数字地形模型(DTM)，覆盖面积达52平方公里，涵盖城市、森林和山区等多种场景。该数据集旨在支持深度学习方法在从机载激光扫描(ALS)点云中提取DTM的研究。数据集的创建过程涉及从开放数据源收集点云数据及其对应的DTM，并通过基准方法进行验证。ALS2DTM数据集的应用领域包括地理和环境研究，如洪水建模、地上生物量估计和基础设施规划等，旨在解决从复杂地形中准确提取DTM的问题。The ALS2DTM dataset is a large-scale dataset developed by the Institute of Computer Science and Random Systems (IRISA). It contains 1.659 billion point cloud samples and their corresponding Digital Terrain Models (DTM), spanning an area of 52 square kilometers and covering diverse scenarios including urban, forested, and mountainous regions. This dataset is intended to support research on deep learning-based methods for extracting Digital Terrain Models from Airborne Laser Scanning (ALS) point clouds. The development of the ALS2DTM dataset involves collecting point cloud data and their matched DTMs from open data sources, followed by validation using benchmark approaches. Application areas of the ALS2DTM dataset cover geographic and environmental research, such as flood modeling, above-ground biomass estimation, infrastructure planning and other related fields, aiming to address the challenge of accurately extracting DTMs from complex terrains.

搜集汇总

数据集介绍

构建方式

ALS2DTM数据集的构建方式是将来自开放源的大型激光扫描（ALS）点云和相应的数字地面模型（DTM）进行整合，涵盖了城市、森林和山区等多种场景。数据集的收集主要依赖于对现有开放数据的整理和标注。同时，为了解决点云和DTM之间数据结构差异的问题，该数据集采用了栅格化技术，将点云转换为类似于图像的栅格数据。在此基础上，提出了一种基于栅格化技术的深度学习模型DeepTerRa，用于直接从ALS点云中提取DTM。

使用方法

使用ALS2DTM数据集的方法主要分为以下几个步骤：首先，将ALS点云进行栅格化处理，生成多种类型的栅格数据；其次，将生成的栅格数据输入到深度学习模型中，例如U-Net架构，进行DTM的生成；再次，使用对抗性损失函数和L1损失函数对模型进行训练，以提高模型的性能；最后，将生成的DTM与参考DTM进行比较，评估模型的准确性和泛化能力。此外，还可以通过调整栅格化策略、深度学习模型结构和损失函数等参数，进一步优化模型的性能。

背景与挑战

背景概述

数字高程模型（DTM）作为裸地表面高程的二维表示，在地理和环境研究中至关重要，例如洪水建模、地上生物量估算和基础设施规划等。DTM的提取可以通过卫星或航空图像、数字表面模型（DSM）或点云实现。近年来，机载激光扫描（ALS）点云因其丰富的几何信息和穿透植被的能力而备受关注。然而，DTM的提取仍然面临挑战，这可能是由于缺乏专门的大型标注数据集以及点云和DTM之间的数据结构差异。为了促进数据驱动的DTM提取，本文收集了来自开放资源的大型ALS点云数据集及其对应的DTM，涵盖城市、森林和山区等多种场景。作为首次尝试，本文提出了一种基于光栅化技术直接从ALS点云中提取DTM的深度神经网络方法，称为DeepTerRa。通过广泛的研究，本文比较了已建立的方法，并分析了从点云中学习提取DTM的挑战。实验结果表明，无监督的数据驱动方法具有亚米级误差水平，与专门为DTM提取设计的相比。数据和相关代码已提供在https://lhoangan.github.io/deepterra/，以供重复实验和进一步研究。

当前挑战

尽管深度神经网络在各个领域都非常流行，但从机载激光扫描（ALS）点云中提取数字高程模型（DTM）仍然是一个挑战。这可能是由于缺乏专门的大型标注数据集以及点云和DTM之间的数据结构差异。为了促进数据驱动的DTM提取，本文收集了来自开放资源的大型ALS点云数据集及其对应的DTM，涵盖城市、森林和山区等多种场景。此外，本文提出了使用光栅化技术来弥合点云和DTM之间的表示差距，这将点云到DTM的提取问题转化为图像到图像的转换问题。实验结果表明，计算机视觉技术的简单应用可以接近专门为DTM提取设计的已建立方法。然而，这种方法仍然面临着一些挑战，例如如何更好地利用点云的几何信息，以及如何提高数据驱动方法的性能。

常用场景

经典使用场景

ALS2DTM数据集主要用于从机载激光扫描（ALS）点云中提取数字地形模型（DTM）。该数据集包含大规模的ALS点云及其对应的DTM，涵盖了城市、森林和山区等多种场景。研究人员可以利用该数据集训练深度神经网络模型，直接从ALS点云中预测DTM。此外，ALS2DTM数据集还包含了多种已建立的基准方法，可用于评估和比较不同模型的性能。

解决学术问题

ALS2DTM数据集的提出解决了数据驱动的DTM提取中缺乏大规模标注数据集和数据结构差异的问题。传统的DTM提取方法主要依赖于卫星或航空图像、DSM或点云，而ALS点云具有丰富的几何信息和穿透植被的能力，因此在DTM提取中具有优势。然而，现有的ALS点云数据集大多用于语义分割任务，缺乏对应的DTM数据。ALS2DTM数据集的建立为DTM提取研究提供了重要的数据基础，推动了数据驱动方法在该领域的应用。

实际应用

ALS2DTM数据集在实际应用中具有广泛的应用前景。DTM是地理和环境研究的基础数据，可用于洪水模拟、地上生物量估计、基础设施规划等领域。通过ALS2DTM数据集训练的深度神经网络模型可以直接从ALS点云中预测DTM，从而提高了DTM提取的效率和精度。此外，该数据集还可以用于评估和比较不同模型的性能，为DTM提取研究提供了重要的参考。

数据集最近研究

最新研究方向

数字高程模型（DTM）作为地表高度的无遮挡二维表示，在地理和环境研究中扮演着关键角色，如洪水模拟、生物量估计和基础设施规划等。尽管深度神经网络在各种领域广受欢迎，但从机载激光扫描（ALS）点云中提取DTM仍然是一项挑战。这可能是由于缺乏专门的大型标注数据集以及点云与DTM之间的数据结构差异。为了促进数据驱动的DTM提取，本文收集了来自开源的大型ALS点云数据集及其对应的DTM，涵盖了城市、森林和山区等多种场景。本文提出了一个基线方法，即DeepTerRa，作为首次尝试通过光栅化技术直接从ALS点云中训练深度神经网络以提取DTM。通过使用光栅化技术，将点云信息转换为图像，可以应用现有的计算机视觉技术进行图像到图像的转换。此外，本文还介绍了DeepTerRa数据集，并进行了广泛的研究，以基准数据集和评估DTM提取的挑战。实验结果表明，数据驱动的方法在DTM提取中具有潜力。

相关研究论文

• Learning Digital Terrain Models from Point Clouds: ALS2DTM Dataset and Rasterization-based GAN

  计算机科学与随机系统研究所(IRISA) · 2022年