典型文献
多特征融合与几何卷积的机载LiDAR点云地物分类
文献摘要：
目的 点云分类传统方法中大量依赖人工设计特征,缺乏深层次特征,难以进一步提高精度,基于深度学习的方法大部分利用结构化网络,转化为其他表征造成了3维空间结构信息的丢失,部分利用局部结构学习多层次特征的方法也因为忽略了机载数据的几何信息,难以实现精细分类.针对上述问题,本文提出了一种基于多特征融合几何卷积神经网络(multi-feature fusion and geometric convolutional neural network,MFFGCNN)的机载LiDAR(light detection and ranging)点云地物分类方法.方法 提取并融合有效的浅层传统特征,并结合坐标尺度等预处理方法,称为APD模块(airporne laser scanning point cloud design module),在输入特征层面对典型地物有针对性地进行信息补充,来提高网络对大区域、低密度的机载LiDAR点云原始数据的适应能力和基础分类精度,基于多特征融合的几何卷积模块,称为FGC(multi-feature fusion and geometric convolution)算子,编码点的全局和局部空间几何结构,实现对大区域点云层次化几何结构的获取,最终与多尺度全局的逐点深度特征聚合提取高级语义特征,并基于空间上采样获得逐点的多尺度深度特征实现机载LiDAR点云的语义分割.结果 在ISPRS(International Society for Photogrammetry and Remote Sensing)提供的3维标记基准数据集上进行模型训练与测试,由于面向建筑物、地面和植被3类典型地物,对ISPRS的9类数据集进行了类别划分.本文算法在全局准确率上取得了81.42％ 的较高精度,消融实验结果证明FGC模块可以提高8％的全局准确率,能够有效地提取局部几何特性,相较仅基于点的3维空间坐标方法,本文方法可提高15％的整体分类精度.结论 提出的MFFCGNN网络综合了传统特征的优势和深度学习模型的优点,能够实现机载LiDAR点云的城市重要地物快速分类.
文献关键词：
点云分类;机载LiDAR;PointNet++;深度学习;多特征融合;几何卷积网络(GCN)
中图分类号：
作者姓名：
戴莫凡;邢帅;徐青;李鹏程;陈坤
作者机构：
战略支援部队信息工程大学地理空间信息学院,郑州 450001
文献出处：
引用格式：
[1]戴莫凡;邢帅;徐青;李鹏程;陈坤-.多特征融合与几何卷积的机载LiDAR点云地物分类)[J].中国图象图形学报,2022(02):574-585
A类：
MFFGCNN,airporne,MFFCGNN
B类：
多特征融合,LiDAR,地物分类,点云分类,类传,设计特征,提高精度,维空间,空间结构信息,局部结构学习,多层次特征,机载数据,几何信息,难以实现,精细分类,multi,feature,fusion,geometric,convolutional,neural,network,light,detection,ranging,分类方法,传统特征,标尺,预处理方法,APD,laser,scanning,point,cloud,design,module,输入特征,大区域,原始数据,分类精度,卷积模块,空间几何,几何结构,云层,层次化,逐点,深度特征,特征聚合,高级语义特征,上采样,征实,语义分割,ISPRS,International,Society,Photogrammetry,Remote,Sensing,基准数据集,模型训练,类别划分,消融实验,几何特性,空间坐标,整体分类,网络综合,深度学习模型,快速分类,PointNet++,卷积网络
AB值：
0.399513
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
