h-sdl / projet-npm3d Goto Github PK

• contacter les auteurs de l'article pour des précisions
• faire des expérimentations

Beaucoup d'erreurs de classification sont dûs au fait que des petits objets sont groupés avec le sol ou les bâtiments. On peut essayer d'améliorer ça en jouant sur les choix de paramètres pour la construction de voxel cloud et component cloud.

Points non classifiés ? Pas pris en compte dans le papier ?
SACC = diagonale de matrice de confusion
CACC_i = TP+TN
OCACC = moyenne des CACC_i

Réfléchir à une meilleure répartition train / test pour les nuages pour que chacune des classes soit bien représentée (éventuellement ajouter d'autres nuages aux ensembles train / test)

• Segmentation du sol moins facile ici car pas de toits/surfaces horizontales dans l'article
• Segmentation du sol pas possible si pas de sol ou nuage différemment structuré

Essayer de voir s'il y a moyen de traiter de plus gros nuages :

• en passant à une structure vectorisée rectangulaire avec un nombre constant de points "représentants" de chaque voxel
• en trouvant d'éventuelles méthodes pour effectuer des calculs vectorisés sur des données non rectangulaires
• éventuellement si besoin en passant à des extensions Python-C ?

Il doit être suffisamment dense, être RGB/I mais en même temps pas trop gros pour être traité efficacement par nos algorithmes.
Voir Semantic3D

La méthode de voxelisation actuelle peut induire des voxels trop petits (notamment si on se place au bord d'un voxel existant). Tester deux méthodes de résolution

• heuristique pour mieux sélectionner les voxels
• threshold sur le nombre minimal de points d'un voxel puis association de points restants aux voxels existants