讲座回顾：城市点云数据理解的对称性和相似性检测

导读

华南理工大学土木与交通学院海外学者前沿讲座第四十六期，我们邀请到来自香港大学房地产及建设系助理教授的薛帆博士。本次讲座中，薛教授为我们介绍了城市点云的概念，并分享了他最近面向城市点云理解的对称性和相似性识别的工作。

首先，薛教授为我们介绍了什么是城市点云(Urban point cloud)，以及城市点云的来源。点是空间中的一个位置，是一个没有宽度、长度和厚度的0维对象，其结构形式以一组X、Y、Z几何坐标来表示。在实际中，每一个点都有相应的属性，如实物点有相应的RGB值，表面上的点有相应的法向量，有些点还可以分类等。当许多点组合在一起时，就会形成点云。城市点云则是在城市规模测量点云数据集。

生成城市点云的数据主要可以采用3种方式, 分别是SAR合成孔径雷达技术、LiDAR光达技术和Photogrammetry摄影测量方法。其中，SAR一般依靠卫星返回数据，其覆盖范围非常广且卫星发射后可以连续几年返回数据。因为使用了激光的相位差来计算，它的精度能够达到mm级。他的缺点是卫星飞行轨迹固定从而导致只能从一个方向建模，且费用昂贵。LiDAR一般借助飞机或者汽车进行扫描，是各种电子地图的主要来源。其精度取决于设备，可以满足mm/cm/dm级别的要求。Photogrammetry通过摄影照片后进行合成来获得立体模型，其精度虽然只在cm级别，但可以获得更为逼真的颜色，且相对便宜。

受益于激光雷达和遥感摄影测量技术的进步，越来越多的建筑和城市拥有了大规模3D 点云数据。城市点云与传统的CAD和BIM相比，其主要优点为点云可以拥有很多细节和表面纹理，且在z轴上相较CAD和BIM要精确很多。但是，点云是一种非结构数据，需要很多处理才能使其表达出所含的物理意义。此外，每一个城市点云的数据都非常庞大，需要大量的计算资源来进行处理。因此，为了对点云数据进行处理并使数据体现出物理意义，“点云理解”这一过程便是不可或缺的。城市点云的理解包括3D对象分类、目标检测、语义分割、场景识别、关联识别和4D运动等，因此，对于提取信息、分割实例和城市计算等应用来说，处理和理解此类非结构化点云数据依然是十分困难的。

随后，薛教授向我们分享了他们课题组主要研究的两种点云分析方式：对称分析(Symmetry)和相似性分析(Similarity)。薛教授发现许多建筑和城市组件天然地具备诸如对称性和相似性等几何规律，相形之下，此类由设计与施工原理诱导的非局部特征，比基于卷积的“局部特征”更具特色。因此，薛教授分别采用深度学习“黑盒”方法和采用采用无导数优化的“白盒”形式，识别出的对称性和相似性都能为理解城市点云数据提供很好的参照信息，并在BIM、剧场座椅识别、停车场目标识别等案例中验证了方法的有效性。

最后，薛教授畅谈了当下人工神经网络研究过热，而基于进化算法等具有可解释性的“白盒”模型更值得研究。薛教授认为，历史上两次AI寒冬不是偶然的，而是与1973年布雷顿森林体系和1987年美国股灾的资本寒冬有关，缺少经费资助，研究进展必然受到影响。薛老师还谈到他们目前正在基于对称性和相似性，开展形状参数、自监督学习模型等研究。期待薛老师很快报道出他们的最新研究成果！

相关文章请见薛帆教授官方主页：http://frankxue.com

讲座录播链接：

【The SIR Frontiers】学术前沿系列讲座第四十六期：“城市点云数据理解的对称性和相似性检测”

END

文稿：解兵林 姚显花 毛炜宁

排版：刘 盼

审核：胡 楠