Pré-segmentation pour la classification faiblement supervisée de scènes urbaines à partir de nuages de points 3D LIDAR

Nous traitons le probleme de la classification semantique de nuages de points 3D LIDAR pour les scenes urbaines a partir d'un jeu d'apprentissage limite. Nous introdui-sons un modele de segmentation non parametrique pour les scenes urbaines formees par des objets anthropiques de formes simples. Notre modele segmente la scene en re-gions geometriquement homogenes dont la taille est auto-matiquement determinee par la complexite de la geome-trie locale. Cette segmentation peut ensuite etre integree dans un CRF (Conditional Random Field) afin de mode-liser la structure globale de la scene. Cela nous permet d'aggreger, pour chaque groupe de points, les predictions bruitees d'une classification faiblement supervisee. Nous demontrons l'efficacite de notre methode sur deux jeux de donnees en acces libre.