基于DCNN的LiDAR数据分类算法研究

发布时间：2021-07-21 03:09

　　激光雷达（Light Detection and Ranging,LiDAR）技术是一种主动的遥感测量技术,通过向目标发射激光来获取地面物体的信息。该数据在地形绘制、城市建设等领域有重要作用。近些年,传统卷积神经网络（Convolutional Neural Network,CNN）在该数据上的作用也已经被验证。但随着传统CNN网络层的不断加深,会出现梯度消失、网络层冗余等问题。深度卷积神经网络（Deep Convolutional Neural Network,DCNN）可以缓解以上问题,但也存在模型尺寸大、参数众多的问题。因此,本文将着重研究DCNN对LiDAR数据分类的作用,同时对其进行改进以获得更好的分类效果。本文主要内容包括:首先,探究了LiDAR数据的来源、发展、特点并收集了实验所需数据集;同时,验证了一些经典的LiDAR数据分类算法并选取了可靠的分类评价指标。为后文算法的设计、实现与性能分析提供理论基础。其次,设计并实现了基于密集卷积神经网络（Dense Convolutional Network,Dense Net）及空间变换网络（Spatial Transformer... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

不同方法的

哈尔滨理工大学工程硕士学位论文-37-续上页图：序号类别0建筑物11建筑物22建筑物33建筑物44建筑物55建筑物66建筑物7序号类别7树木8停车场9土壤10草e)STN-DenseNete)STN-DenseNet图3-11不同方法的混淆矩阵对比图Fig.3-11Contrastdiagramofconfusionmatrixfordifferentmethods图3-12是800个训练样本时，不同方法对于Recology数据集预测结果的可视化展示。以右上方蓝色的建筑物为例，随着精度的提升，错分颜色的面积逐渐减少，STN-DenseNet的分类结果与真值图最接近，精度最高。a)真值图b)决策树c)SVMa)Groundtruthb)DecisionTreec)SVMd)随机森林e)KNNf)CNNd)RandomForeste)KNNf)CNN

【参考文献】：
期刊论文
[1]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[2]机载LIDAR系统原理及应用综述[J]. 陈松尧,程新文.  测绘工程. 2007(01)
[3]LIDAR技术及其应用[J]. 郑金水.  科技信息. 2007(06)
[4]决策树分类法及其在土地覆盖分类中的应用[J]. 李爽,丁圣彦,钱乐祥.  遥感技术与应用. 2002(01)

硕士论文
[1]基于深度神经网络的多/高光谱与高程数据联合分类研究[D]. 李春阳.哈尔滨工业大学 2017



本文编号：3294183