Approccio gerarchico di machine learning per la segmentazione semantica di nuvole di punti 3D

Abstract

L’uso di dati 3D nuvole di punti e mesh, per la documentazione, la valorizzazione e la visualizzazione del patrimonio è diventato sempre più diffuso. Ricchi di informazioni metriche, questi dati 3D soffrono la mancanza di informazioni strutturate quali la semantica e la gerarchia tra le parti. In questo contesto, l'introduzione di metodi automatici di classificazione può svolgere un ruolo essenziale per permettere un utilizzo reale di questi dati nelle operazioni di manutenzione e conservazione del bene culturale, agevolando un migliore utilizzo dei dati ai fini informativi e di analisi. In questo articolo viene presentato un innovativo approccio di classificazione multilivello e multi-risoluzione (MLMR). L'approccio MLMR proposto migliora il processo di apprendimento e ottimizza i risultati della classificazione 3D attraverso un concetto gerarchico. La procedura MLMR viene testata e valutata su due diversi datasets, complessi e di grandi dimensioni: l'Abbazia di Pomposa (Italia) e il Duomo di Milano (Italia). I risultati della classificazione mostrano l'affidabilità e la replicabilità del metodo sviluppato, permettendo l'identificazione di svariate classi architettoniche a diversi livelli di risoluzione geometrica.