Краткое содержание

arXiv:2511.12740v1 Тип объявления: новый Аннотация: Вокселизация является эффективным подходом для снижения вычислительных затрат при обработке данных лазерного сканирования (LiDAR), однако она приводит к потере детальной структурной информации. Настоящее исследование изучает возможность восстановления низкоуровневой информации о содержании вокселей — конкретно процент заполнения целевыми объектами внутри каждого вокселя — исходя из высокоуровневых вокселицированных облаков точек LiDAR, полученных с помощью программного обеспечения цифрового моделирования изображений и дистанционного зондирования (DIRSIG). Рассматриваемые цели включают кору деревьев, листья, почву и прочие материалы. Мы предлагаем многоцелевой регрессионный подход в контексте обучения на несбалансированных выборках, используя свертки точечных ядер (Kernel Point Convolution, KPConv). Наше исследование применяет чувствительное к стоимости обучение для решения проблемы дисбаланса классов, называемое плотностно-ориентированной релевантностью (Density-Based Relevance, DBR). Для улучшения оптимизации KPConv мы используем взвешенную среднеквадратичную ошибку (Weighted MSE), фокусированную регрессию (FocalR) и регуляризацию. Исследование проводит анализ чувствительности...