基于DGCNN语义分割的倾斜摄影测量三维点云建筑物分类

发布时间：2021-06-24 19:45

　　倾斜摄影测量通过影像密集匹配生成的高精度彩色点云是实现建筑物语义信息提取的关键数据。但因点云数据的不规则性,无论是应用传统算法还是卷积神经网络都无法对点云数据进行较好的处理。提出采用动态图深度卷积网络直接处理3D原始点云数据的方法,将点云分为建筑物和非建筑物2类。试验结果表明,该方法可以自适应地学习点云中的各项特征信息,学习每个点的独立空间信息和色彩信息,同时还能提取点云的局部和全局特征,分类精度高达98.49%,大大提高了分类精度和效率。 

【文章来源】：测绘标准化. 2020,36(03)

【文章页数】：6 页

【部分图文】：

生成的数据集中部分点云数据俯视图(真彩色显示)

表2是PointNet和DGCNN在网络规模、训练耗时等方面的对比结果,由于Edgeconv的内部结构比MLP更复杂,导致DGCNN的网络深度比PointNet更深,因此PointNet的学习参数要比DGCNN少,这也使得DGCNN比PointNet耗费的时间更多。3 结 语

EdgeConv结构

【参考文献】：
期刊论文
[1]基于随机森林的倾斜影像匹配点云分类研究[J]. 赵利霞,王宏涛,郭增长,管建军.  测绘工程. 2018(12)
[2]面向对象的倾斜摄影测量点云分类方法[J]. 何雪,邹峥嵘,张云生,杜守基,郑特.  国土资源遥感. 2018(02)
[3]基于图割算法的摄影测量点云面向对象分类方法[J]. 郑特,邹峥嵘,张云生,杜守基,何雪.  测绘工程. 2018(03)



本文编号：3247719