共查询到10条相似文献，搜索用时 31 毫秒
1.
PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。 相似文献
2.
针对震后复杂场景下LiDAR点云建筑物破坏类型自动识别问题，为满足应急救援时效性、准确性需求，告别传统人工震害特征提取，充分挖掘点云数据中灾区建筑物震害信息，进一步实现建筑物自动化智能化识别。本文将3D点云深度学习方法应用于建筑物震害识别，构建了包含倒塌、局部倒塌、未倒塌3种建筑物破坏类型的点云数据集。基于PointNet++网络探究了各类别样本量及其均衡性对识别精度的影响，并提出破坏建筑物样本增强方法，丰富了各类别样本点云形态。利用2010年海地7.0级地震后机载LiDAR数据，在PointNet++网络中进行了样本增强前后分类精度比较、样本量以及均衡性分析实验，样本增强后倒塌和局部倒塌的分类精度分别提高近27%和17%，模型整体平均分类精度、Kappa系数均有近15%的提升。实验结果表明三维建筑物震害深度学习模型在各类别样本量足够且均衡时，才能取得较好的分类识别效果。 相似文献
3.
针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。 相似文献
4.
由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏，使得点云的语义信息提取十分困难，而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题，本文提出了一种结合自注意力机制的多特征融合点云语义分割网络，使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征，并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验，证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征，可以明显提高点云语义分割的精度，本文方法较PointNet++总体精度提升了4.5%。 相似文献
5.
6.
主要基于PointNet模型对点云数据进行特征分类处理,直接对无序化的三维点云数据进行无规则输入处理,通过对无序化的点云数据中的每一个点进行单独的处理,来实现点云数据的输入,与点的输入顺序没有关系,在PointNet中最重要的方法是对称函数最大池化来合并点云数据中每一个点的信息,输出分类特征集合或分割结果,然后结合计算机视觉的神经网络和深度学习等方法,来理解和分析点云数据对物体和环境的智能化识别的应用研究. 相似文献
7.
顾及地形特征的LiDAR点云数据抽稀算法 总被引：1，自引：0，他引：1
针对现有的LiDAR点云数据抽稀算法存在无法有效保留地形特征点或地形分类精度不高等问题,文章提出一种顾及地形特征的点云数据抽稀算法:利用点云中的局部极值点与点云边界点作为种子点构建不规则三角网(TIN);利用一定原则逐渐选取非种子点中的地形特征点加密TIN;然后采用一种临近三角面的平面测试策略剔除三角网中可能存在的冗余点,得到最终结果。测试结果表明:该算法在保证地形精度的前提下,能够有效地减少冗余点数量;同时,为了提高算法的实用性,该文通过大量试验给出了算法中所需参数的最优配置。 相似文献
8.
近年来，随着三维计算机视觉的发展，三维点云深度学习方法得到越来越多学者的关注。然而，目前大多数三维点云深度学习方法仅在标准数据集上进行精度和性能评估，这些方法在设计过程中通常会根据特定数据集设定特定的学习策略以达到最佳点云分类精度，从而影响模型的泛化能力。在三维点云深度学习方法的遥感应用中，往往会出现诸如复杂的网络模型方法并不一定取得更好的数据处理精度，以及原始网络模型学习策略并不一定获得最优结果等问题。对此，为了探究学习策略对三维点云深度学习方法在实际遥感应用的影响，文中以机载多光谱LiDAR点云分类应用为例，以深度学习经典模型PointNet++为主，在分析当前学习策略的基础上构建一套较为通用的深度学习策略，以提高点云分类精度的稳定性和鲁棒性。机载多光谱LiDAR点云分类实验表明，学习策略对于点云分类精度影响不容忽视，学习策略的调整可以有效地提高模型对海量三维点云分类能力。 相似文献
9.
10.
一种高压输电走廊机载激光点云分类方法 总被引：1，自引：0，他引：1
针对输电线路现有点云分类方法存在的分类效率较低及精度不高等问题,该文从高压输电走廊的地物分布特点出发,提出一种基于JointBoost的高压输电走廊点云分类方法。该方法将三维点云转换为二维影像并基于Hough变换在影像上检测输电走廊候选区域;对候选区域每个点定义并计算多尺度局部特征向量,包括高程特征、连通特征、张量特征和平面特征;根据多尺度局部特征用JointBoost分类器将待分类点云分为地面、植被、电力线和电力塔4类。实验数据表明,该方法能有效地减少高压输电走廊的点云处理数量,提高分类效率,且选取的多尺度特征能有效地表达输电走廊内地物的分布特点,具有较高的分类精度。 相似文献