共查询到19条相似文献，搜索用时 160 毫秒
1.
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
2.
机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。 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.
杨颖戴晨光张英健 《测绘与空间地理信息》2023,(8):44-47
三维点云语义分割是大型场景点云数据理解和分析的关键步骤之一。为实现室内场景点云更高精度的分割,提出一种基于深度残差网络与梯度优化的语义分割方法(DRN-GO),通过加深集抽象模块与特征传递模块的层数,加强对点云的特征学习,并在网络层之间引入残差网络进行特征链接。为防止网络层次的增加导致模型过拟合,在编解码后的全连接层部分加入Dropout结构,并在每层网络输入前对数据进行批量归一化处理,从而确保模型的稳定性。本文选用斯坦福大型室内数据集S3DIS设计实验,结果表明,DRN-GO方法相比PointNet++在精度上得到了大幅度提升。 相似文献
5.
针对PointNet深度学习算法可以直接处理无序点云并取得了良好的精度,但是缺乏对局部信息学习过程的问题,该文基于图卷积模型,在PointNet基础上构造层次化的K邻域图,扩大局部感受野,获得高层次的特征抽象,有效提取了点云的局部特征从而提高了分类精度.分类实验在ModelNet40数据集上进行,取得了91.2％的测试精度.研究结果表明,该文提出的算法比PointNet分类结果高出2.0％,同时本文构造的分类网络鲁棒性优于PointNet算法,为点云分类工作提供了一种有效思路. 相似文献
6.
在信息标注中融入场景结构信息能有效解决城市增强现实（augmented reality, AR）信息指示不明、空间遮挡表达不清和视图布局叠置等问题。针对城市AR信息标注中场景结构缺失的问题,提出了一种考虑地理语义且兼顾精度、效率和稳健性的建筑物场景结构提取方法。首先构建了面向建筑物场景结构提取的场景感知网络,从单张场景图像中提取语义、深度和法向量信息;然后将其转化为建筑物立面角点和朝向等结构特征,并计算与2D地图中建筑物轮廓之间的最佳匹配;最后将场景图像按建筑物立面进行重构,提取区域轮廓、场景深度和立面朝向等场景结构。试验采用Google街景数据生成的9 470组样本训练和测试场景感知网络,并在Graz地区32组建筑物场景中测试场景结构提取的有效性。结果表明,所提方法能够达到近实时的效果,且立面轮廓更规则。在存在一定配准误差或局部遮挡的条件下,立面提取的质量显著优于基于地图解析场景图像的方法,具有更好的稳健性。 相似文献
7.
处理三维激光扫描仪获取的城市竣工测绘点云场景数据的传统方法存在较多局限性,无法适应信息化社会对产品高效处理的需求。基于此,本文分析了城市竣工测绘点云场景分类需求,研究了利用深度学习网络模型对点云场景进行自动化处理的方法。首先,对输入的城市竣工测绘数据进行预处理,以实现点云降采样、去噪、地面点与非地面点分割;然后,人工标注5个区域场景数据毫米级标签,进行数据增强;最后,测试PointNet++网络在城市竣工测绘点云场景下的语义分割性能和效果。测试结果表明,在少量样本下,PointNet++网络可以较好地实现城市竣工测绘点云场景的激光点云语义分割,总体mIoU达73.06%,能够满足城市竣工测绘点云语义自动化分割需求,为城市竣工测绘点云数据处理提供了新思路。 相似文献
8.
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
9.
10.
基于实例分割模型的建筑物自动提取 总被引：1，自引：0，他引：1
传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理，难以适用于高分辨率影像中的复杂场景。而现有的卷积神经网络语义分割模型，由于难以达到较高的精度会出现提取目标粘连的情况。针对该问题，本文对实例分割模型Mask R-CNN进行改进，提出了一种高效、准确的高分辨率遥感影像建筑物提取算法。首先，在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作，以降低上采样造成的混叠效应；然后，在原有掩膜预测结构的基础上增加一个分支，改善掩膜预测的效果；最后，将改进后的网络在建筑物数据集上进行训练。结果表明，本文方法能够准确独立预测每个建筑物顶部，没有目标粘连情况，且mAP值较Mask R-CNN有所提高，能够有效实现遥感影像建筑物精细化提取。 相似文献
11.
为推进深度学习方法在点云配准、语义分割、实例分割等领域的发展,武汉大学联合国内外多家高等院校和研究机构发布了包含多类型场景的地面站点云配准基准数据集WHU-TLS和包含语义、实例的城市级车载点云基准数据集WHU-MLS。其中,WHU-TLS基准数据集涵盖了地铁站、高铁站、山地、公园、校园、住宅、河岸、文化遗产建筑、地下矿道、隧道等10种不同的环境,共包含115个测站、17.4亿个三维点以及点云之间的真实转换矩阵,为点云配准提供了迄今为止最大规模的基准数据集。WHU-MLS基准数据集涵盖了地面特征(机动车道、道路标线、井盖、非机动车道),动态目标(行人、车辆),植被(树木、树丛、低矮植被),杆状地物及其附属结构(电线杆、独立提示牌、路灯、信号灯、独立探头等),建筑和结构设施(房屋、道路隔离结构、围墙和栅栏)以及其他公共和便利设施(垃圾桶、邮筒、消防栓、街头座椅、电力线等)等6大类30余小类地物要素,共包含2亿多个点和超过5000个实例对象,为语义分割、实例分割点云深度学习网络的训练、测试和性能评估提供了当前最为丰富的基准数据集。 相似文献
12.
在基于倾斜影像的城市场景重建过程中,由于获取影像时存在场景遮蔽和大视点变化的情况,建筑物立面等区域存在着影像密集匹配点云稀疏甚至空洞的情况,自动化重建难度大,难以反映建筑物的真实形态。本文提出了一种新的基于倾斜影像的城市场景隐式曲面重建方法：首先,以倾斜影像密集匹配点云为基础建立Delaunay四面体;然后,对Delaunay四面体进行约束图割,提取出可视化的三角面,进而更加精确地估计点云的法向信息;最终,结合Screened Poisson曲面重建,实现了城市场景的隐式曲面重建。通过多种隐式曲面重建方法的对比试验,验证了本方法的准确性和适用性。 相似文献
13.
道路场景中路灯数量大、类型多,大场景中路灯详细信息获取是一项繁重的工作。本文提出先验样本集辅助的、基于骨架线缓冲区判别的路灯点云提取及种类识别算法：先根据路灯在车载LiDAR点云中的表达特征,构建路灯模型,并构建路灯先验样本集;再依据数学形态学的理论和方法,提取车载LiDAR点云场景中的杆状地物,在路灯模型及语义规则约束下,得到候选路灯;然后根据候选路灯的参数信息,及已获取路灯的统计信息,从样本集中筛选候选样本;最后基于最小二乘理论的匹配算法,对路灯先验样本与候选路灯点云进行匹配筛选,并基于路灯骨架线信息构建的双重缓冲区,对候选路灯进行判别分析,实现路灯的提取和种类识别。试验表明,该算法对于遮挡少、数据相对完整的路灯提取准确度为95.2%,对于遮挡严重、点云密度低、数据完整性差的路灯提取准确度为78.0%,验证了该算法对大场景中路灯详细信息提取的稳健性。 相似文献
14.
机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。 相似文献
15.
随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。 相似文献
16.
深度学习在高分辨率遥感影像冬油菜提取中的应用 总被引：2，自引：0，他引：2
近年来，深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征，提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域，获取油菜盛花时期高分一号（GF-1）影像，并以沙洋县为基础影像，通过手工标记制作油菜训练样本。设计两种深度学习框架模型，一种以卷积神经网络（CNN）为框架，构建一维卷积神经网络（1D-CNN）模型，第二种以循环神经网络（RNN）为框架，组合门控循环单元（GRU）模型，训练标准样本模型，完成油菜分类提取。最后，与传统支持向量机（SVM）、随机森林（RF）方法进行了结果对比。试验结果表明，本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法，为进一步实现冬油菜提取自动化提供试验基础。 相似文献
17.
针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。 相似文献
18.
19.
受成像光谱仪性能与复杂地物分布的影响,高光谱图像存在大量的混合像元。传统的基于学习的混合像元分解方法通常都是浅层模型,或缺少对空间、光谱信息的综合应用。本文提出一种多维卷积网络协同的混合像元分解深层模型,采用多种维度卷积网络能更充分利用多种维度语义信息,有利于估计小样本和高维的高光谱图像混合像元丰度。对训练数据进行增广处理,构建光谱维、空间维和立方体3种卷积神经网络;设计了融合层,协同3种卷积神经网络提取特征,“端到端”的估计混合像元丰度值;模型使用了批量归一化、池化和Dropout方法避免过拟合现象。试验结果表明,多维卷积网络协同方法的引入能更有效地提取空-谱特征信息,与其他的卷积网络解混模型相比,估计的混合像元丰度精度有显著提高。 相似文献