LiDARの視点から：陸上点群セグメンテーションのための特徴量拡充と不確実性を考慮したアノテーションパイプライン

- TLS point cloud の semantic segmentation 向けに、半自動で uncertainty-aware な annotation pipeline を提案 - spherical projection で 3D 点群を 2D spherical grid に投影し、multi-source features で pixel を enrich - segmentation networks の ensemble で pseudo-label と uncertainty map を生成し、曖昧領域の annotation を誘導 - 2D 出力を 3D に back-projection し、three-tier visualization suite で確認・修正を支援 - これを用いて mangrove forests の TLS dataset「Mangrove3D」を構築

- 従来は TLS point cloud の semantic segmentation に高コストな手動 annotation が必要だった - 提案は semi-automated かつ uncertainty-aware に annotation 対象を絞ることで labeling effort を削減しつつ高精度を維持 - ensemble の uncertainty map を annotation 誘導に用いる点、2D/3D を往復する pipeline と visualization suite を統合する点が特徴 - 具体的な先行研究との定量比較は要旨からは不明

- 3D points を 2D spherical grid に投影し、pixels を multi-source features で enrich - segmentation networks の ensemble で pseudo-labels と uncertainty maps を生成 - uncertainty maps が曖昧領域の targeted annotation を導く - 2D outputs を 3D に back-project し、dense な annotated point clouds を得る - three-tier visualization suite（2D feature maps、3D colorized point clouds、compact virtual spheres）で triage と reviewer guidance を支援

- 本 pipeline で Mangrove3D を構築し、data efficiency と feature importance を評価 - 約 12 annotated scans で性能が飽和 - geometric features が最も寄与し、compact nine-channel stacks でほぼ全ての識別力を捕捉 - mIoU は約 0.76 で plateau - ForestSemantic と Semantic3D への cross-dataset tests で feature-enrichment strategy の generalization を確認

- 必要 annotation 量（約 12 scans で飽和）と重要 feature（geometric features、nine-channel stacks）に関する実証的知見を提示 - 生態系モニタリング等への scalable な高品質 segmentation の可能性を主張 - 限界や失敗事例、uncertainty 閾値の感度など詳細な議論は要旨からは不明

- ForestSemantic（cross-dataset test で使用） - Semantic3D（cross-dataset test で使用） - ensemble learning や uncertainty-aware annotation に関する関連研究（要旨では特定研究の参照なし） - TLS point cloud の semantic segmentation における一般的な手法（spherical projection 系、feature enrichment 系）