SparseGF：高さを考慮したコンテキスト圧縮型スパースセグメンテーションによる都市〜自然シーンでの堅牢な地表面抽出

要旨: 航空レーザスキャニング（ALS）データから生成される高品質なデジタル地形モデルは、幅広い地理空間解析に不可欠であり、その生成には通常、堅牢な地表フィルタリング（GF）により、多様な景観にまたがる点群を地面と非地面の部分に分離することが必要となる。現在の深層学習ベースのGF手法は、特に特定の困難な地形において目覚ましい性能を示しているものの、シーンをまたいだ一般化は、2つの持続的な問題によって依然として制限されている。すなわち、大規模処理における文脈（コンテキスト）と詳細のジレンマ（計算資源の制約によるもの）と、分類のみの最適化に起因して背の高い対象がランダムに誤分類されてしまう問題である。これらの制約を克服するために、本研究ではコンテキスト圧縮を強化した高さ認識型のスパースセグメンテーションフレームワークであるSparseGFを提案する。SparseGFは、次の3つの主要な革新に基づいて構築されている。(1) 凸面鏡の着想に基づくコンテキスト圧縮モジュールにより、中心の詳細を保持したまま広大な文脈をコンパクトな表現へ凝縮すること。(2) 圧縮された表現を効果的に解釈しつつ、圧縮による幾何学的歪みを緩和するハイブリッドなスパースボクセル-ポイントネットワークのアーキテクチャ。(3) 高さ認識型の損失関数により、学習中に地形標高の事前知識を明示的に強制し、背の高い対象のランダムな誤分類を抑制すること。2つの大規模ALSベンチマークデータセットに対する広範な評価の結果、SparseGFは都市から自然地形に至るまで堅牢なGFを提供し、複雑な都市シーンで最先端の性能を達成し、混在地形では競争力のある結果を示し、また密な森林に覆われた急峻な領域では中程度ながら致命的ではない精度を示した。本研究は、深層学習ベースのGF研究に対する新たな知見を提供し、大規模な環境モニタリングにおける真にシーンをまたいだ一般化に向けたさらなる探究を促すものである。