Operational Evaluation of Submanifold Sparse Convolutional Networks for Airborne

Resumo Técnico: Avaliação Operacional de Redes Convolucionais Esparsas de Submanifold para o Processamento de Batimetria LiDAR Aerotransportada

Definição do Problema
A Batimetria LiDAR Aerotransportada (ALB) é uma tecnologia crítica para o mapeamento de zonas costeiras e da interface terra-mar, apoiando a navegação segura e o monitoramento ambiental. Embora os sistemas ALB reduzam significamente os custos de aquisição de dados em comparação com os métodos acústicos tradicionais, as nuvens de pontos resultantes requerem um extenso processamento manual para distinguir o leito marinho da superfície da água e do ruído. Automatizar este processo de classificação continua sendo um objetivo operacional fundamental para os escritórios hidrográficos. No entanto, o desenvolvimento de métodos automatizados é dificultado pela falta de conjuntos de dados de referência em larga escala e de estruturas de avaliação que se alinhem aos padrões de cartografia náutica. Estudos existentes frequentemente dependem de conjuntos de dados espacialmente limitados ou métricas que não refletem diretamente o impacto náutico das classificações incorretas. Além disso, embora arquiteturas de aprendizado profundo como as Redes Convolucionais Esparsas de Submanifold (SSCN) tenham mostrado promessa no escaneamento a laser aerotransportado, elas não foram sistematicamente avaliadas para o processamento de nuvens de pontos de ALB.

Metodologia
O estudo introduz uma estrutura de avaliação padronizada para avaliar o desempenho da SSCN em conjuntos de dados ALB de grande escala, utilizando um conjunto de dados de levantamento da NOAA do Florida Keys (1.599 blocos, totalizando 747 milhões de Medições LiDAR Georreferenciadas ou GLMs).

• Arquitetura do Modelo: O modelo proposto é uma SSCN baseada em U-Net projetada para lidar eficientemente com dados volumétricos esparsos. Ele emprega uma estrutura encoder-decoder com blocos residuais e mecanismos de atenção conectados por resíduos para preservar estruturas esparsas enquanto captura características multiescala. A entrada é restrita à densidade de voxels para minimizar a complexidade do pré-processamento e evitar características específicas do sensor.
• Pré-processamento: Os GLMs são discretizados em uma grade de voxels (resolução horizontal de 1m, vertical de 25cm) de acordo com as especificações IHO S-44 Ordem 1a. Uma normalização logarítmica limitada é aplicada para lidar com a significativa variabilidade de densidade de voxels.
• Estratégia de Treinamento: O modelo é treinado usando uma Perda Focal Unificada assimétrica (LaUF) para abordar o desequilíbrio de classes. A supervisão profunda é integrada em cada estágio do decoder para melhorar a estabilidade da otimização. A aumentação de dados inclui rotações aleatórias de 90 graus e inversões (flipping) para mitigar vieses direcionais.
• Protocolo de Avaliação: O estudo utiliza a Validação por Subamostragem Aleatória Repetida (RRSV) para avaliar a robustez e a sensibilidade do modelo ao tamanho do conjunto de treinamento. A avaliação combina métricas de segmentação ao nível do ponto (Acurácia Global, Taxas de Verdadeiro/Falso Positivo/Negativo, Acurácia do Produtor/do Usuário) com indicadores de qualidade do Modelo de Batimetria Digital (DBM). Estas métricas de DBM incluem Acurácia do Produtor/do Usuário Baseada em Grade, Erro Absoluto Médio (MAE) e Razão de Excedência de Erro (EER) baseadas nas tolerâncias de Incerteza Vertical Total (TVU) da IHO Ordem 1a.

Principais Contribuições

1. Avaliação Operacional de SSCN: O artigo fornece a primeira avaliação rigorosa da SSCN para processamento de ALB sob condições reais de levantamento, demonstrando sua capacidade de entregar resultados consistentes com dados esparsos e ruidosos.
2. Estrutura de Benchmarking Unificada: Uma estrutura de avaliação padronizada é introduzida, integrando a precisão de segmentação com a qualidade do DBM. Isso garante a conformidade com os padrões de cartografia náutica e permite comparações justas entre métodos automatizados.
3. Validação de Robustez via RRSV: O estudo valida a estabilidade e a confiabilidade da SSCN através da RRSV, confirmando sua adequação para implantação operacional em diversos cenários de levantamento e composições variadas de dados de treinamento.

Resultados
O estudo avaliou o desempenho do modelo através de diferentes tamanhos de conjuntos de dados de treinamento (5 a 40 blocos) e no levantamento completo (1.599 blocos).

• Eficiência de Treinamento: O modelo alcança alto desempenho com dados de treinamento limitados. Quando treinado em apenas 2,5% do conjunto de dados (40 blocos), ele entrega uma Acurácia do Produtor (PAB) mediana de 99,7% e uma Acurácia Global (GA) mediana de 97,2%.
• Qualidade do DBM: Os Modelos de Batimetria Digital resultantes apresentam alta fidelidade. A Razão de Excedência de Erro (EER) é extremamente baixa, com apenas 4 em cada 10.000 células de DBM excedendo a tolerância IHO Ordem 1a. A Acurácia do Usuário Baseada em Grade (GB-UAB) atinge 97,2%.
• Escalabilidade e Velocidade: A abordagem SSCN demonstra significativa eficiência operacional. O processamento de todo o levantamento de Key West (1.599 blocos) levou aproximadamente 3 horas e 16 minutos, uma melhoria substancial sobre os 65 dias estimados para o método estatístico CHRT-ML para o mesmo conjunto de dados.
• Limitações Observadas: O modelo mostrou sensibilidade a variações de densidade causadas por sobreposições de trajetórias de voo, levando a artefatos (buracos) no DBM. Além disso, o modelo teve dificuldades com características fora da distribuição (out-of-distribution), como linhas de energia, que estavam sub-representadas nos dados de treinamento.

Significância
O artigo afirma que este trabalho estabelece uma base robusta para a adoção do processamento automatizado de ALB em fluxos de trabalho hidrográficos. Ao conectar os resultados de segmentação diretamente à qualidade do DBM e aos padrões IHO, o estudo preenche a lacuna entre métricas de pesquisa e requisitos operacionais. Os resultados confirmam que a SSCN é uma solução confiável, escalável e computacionalmente eficiente para o processamento de dados batimétricos de alta precisão, apoiando a transição de fluxos de trabalho manuais para automatizados na cartografia náutica. O estudo enfatiza que, embora o método seja robusto, sua implementação operacional requer a curadoria cuidadosa de dados de treinamento diversos para lidar com características geomórficas e antropogênicas específicas.