LiDAR nokta bulutlarının makine öğrenmesi ve derin öğrenme yöntemleri ile sınıflandırılması: nuScenes Lidarseg-Mini üzerinde karşılaştırmalı bir inceleme

Koban N., Benli E.

Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online), cilt.9, sa.2, ss.405-416, 2026 (TRDizin)

Özet

LiDAR nokta bulutlarının düzensiz yapısı ve sınıflar arasındaki örnek sayısının farklı olabilmesi, nokta bazlı semantik sınıflandırmayı güçleştirmektedir. Bu çalışmada Random Forest, K-En Yakın Komşu (KNN), makine öğrenmesi tabanlı MLP (ML-MLP), derin öğrenme tabanlı MLP (DL-MLP), bir boyutlu evrişimli sinir ağı (1B CNN) ve PointNet Mini aynı deney düzeninde karşılaştırılmıştır. nuScenes Lidarseg-mini alt kümesi araba, yaya, otobüs, kamyon, motosiklet, bariyer ve bisiklet rafı olmak üzere yedi sınıfa göre filtrelenmiştir. Etiket eşleştirme, sınıf filtreleme, katmanlı veri ayırma, normalizasyon ve modele bağlı dengeleme işlemlerinin ardından yöntemler doğruluk ve F1 skoru üzerinden karşılaştırılmış olup sınıf bazlı hata davranışları kesinlik, duyarlılık ve karışıklık matrisleriyle incelenmiştir. Random Forest %97,21 doğruluk ve %98 F1 ile en yüksek genel başarıyı, KNN ise %96,36 doğruluk ve %94 F1 ile ikinci en yüksek başarıyı elde etmiştir. Derin öğrenme yöntemleri arasında PointNet Mini %84,95 doğruluk ve %84,7 F1 ile en dengeli sonucu vermiştir. Sınıf bazlı analiz, özellikle az örnekli sınıflarda yüksek duyarlılığın düşük kesinlik ile birlikte görüldüğünde tek başına güvenilir bir başarı göstergesi olmadığını göstermiştir. Mevcut veri büyüklüğü, sınıf dağılımı ve hesaplama koşullarında klasik yöntemler daha kararlı sonuç verirken, PointNet Mini'nin başarısı düzensiz nokta kümelerine özgü mimarilerin önemini ortaya koymuştur.