基于三维卷积神经网络的点云图像船舶分类方法

发布时间：2021-02-10 00:13

　　为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络（3DCNN）的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3DCNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3DShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。 

【文章来源】：激光与光电子学进展. 2020,57(16)北大核心

【文章页数】：9 页

【部分图文】：

所提的船舶分类模型流程图

CNN是由输入层、卷积层、池化层、全连接层和输出层组成的多层学习网络，其基本结构如图2所示。卷积层有不同的卷积核，利用每个卷积核对输入图像进行卷积，并产生输出特征映射。通常还要通过激活函数对卷积结果进行非线性计算操作之后才进行下一层的池化操作，常用的激活函数有Sigmoid、tanh、ReLU(Rectified Linear Unit）和PReLU(Parametric Rectified Linear Unit）等。池化层（下采样层）对上层的卷积结果进行降维，以减少计算量，关注的是特征本身，而不是特征的具体位置。本文使用最大池化方法，使网络可以抽取更大范围的特征。全连接层一般位于CNN的最后几层，全连接层的每个神经元和前一层的全部神经元相连，对多维的输入进行一维化处理。输出层使用Softmax函数解决多分类问题。

卷积层有不同的卷积核，利用每个卷积核对输入图像进行卷积，并产生输出特征映射。通常还要通过激活函数对卷积结果进行非线性计算操作之后才进行下一层的池化操作，常用的激活函数有Sigmoid、tanh、ReLU(Rectified Linear Unit）和PReLU(Parametric Rectified Linear Unit）等。池化层（下采样层）对上层的卷积结果进行降维，以减少计算量，关注的是特征本身，而不是特征的具体位置。本文使用最大池化方法，使网络可以抽取更大范围的特征。全连接层一般位于CNN的最后几层，全连接层的每个神经元和前一层的全部神经元相连，对多维的输入进行一维化处理。输出层使用Softmax函数解决多分类问题。基于VoxNet网络，本文设计的3DCNN的网络结构如图3所示。具体参数如表1所示。由图3和表1可知，该网络有3个卷积层（Conv1、Conv2和Conv3),1个池化层（Max Pooling 1），三个全连接层（FC1、FC2和FC3）。FC3也是Softmax层。预处理后的体素网格图像的尺寸为32×32×32，所以在第1个卷积层用32个5×5×5的卷积核对32×32×32×1的体素网格图像进行步幅为2的卷积后，生成32个14×14×14的特征映射。特征映射的计算方法为


本文编号：3026462