Evaluación de un modelo de aprendizaje profundo para la segmentación semántica de nubes de puntos en escenas de espacios interiores
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El enfoque Scan-to-BIM ha surgido como una alternativa para apoyar el desarrollo de modelos BIM As-Built a partir de nubes de puntos obtenidas mediante tecnologías de escaneo 3D. No obstante, la segmentación semántica de escenas interiores continúa siendo un desafío, especialmente cuando se aplican modelos de aprendizaje profundo entrenados en conjuntos de datos distintos a los de aplicación real y bajo restricciones de recursos computacionales.
Este trabajo evalúa la aplicación de un modelo de aprendizaje profundo pre-entrenado para la segmentación semántica de nubes de puntos correspondientes a escenas interiores reales. Para ello, se seleccionó la arquitectura PointNet++, pre-entrenada sobre el conjunto de datos S3DIS, y se adaptó mediante un esquema de aprendizaje por transferencia en el que se mantuvo congelado el backbone y se entrenó únicamente el head de clasificación para su evaluación sobre el conjunto de datos ScanNet v2. Se desarrolló un flujo de preparación de datos que incluyó la generación de bloques de puntos, el manejo del desbalance de clases y la incorporación de características geométricas, cromáticas y espaciales.
Los resultados muestran que el modelo presenta un mejor desempeño en clases dominantes y geométricamente bien definidas, como muros y sillas, mientras que su rendimiento disminuye en categorías con menor representación. En conjunto, el estudio evidencia tanto el potencial como las limitaciones de los modelos pre-entrenados para la segmentación semántica de nubes de puntos interiores, y resalta la importancia de la preparación de los datos y de la adaptación del modelo para su aplicación en flujos Scan-to-BIM. (Texto tomado de la fuente9
Abstract
The Scan-to-BIM approach has emerged as an alternative to support the generation of AsBuilt BIM models from point clouds acquired through 3D scanning technologies. However, semantic segmentation of indoor scenes remains a challenge, particularly when deep learning models trained on different datasets are applied under limited computational resources. This work evaluates the application of a pre-trained deep learning model for semantic segmentation of point clouds corresponding to real indoor scenes. The PointNet++ architecture, pre-trained on the S3DIS dataset, was selected and adapted using a transfer learning scheme where the backbone was frozen and only the classification head was trained for evaluation on the ScanNet v2 dataset. A data preparation workflow was developed,
including point block generation, class imbalance handling, and the use of geometric, color and spatial features. The results show that the model achieves better performance on dominant and well-defined
geometric classes, such as walls and chairs, while lower performance is observed in less represented categories. Overall, the study highlights both the potential and the limitations of using pre-trained models for indoor point cloud semantic segmentation and emphasizes the relevance of data preparation and model adaptation for Scan-to-BIM applications.
Descripción
Ilustraciones