排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
城市环境中的行道树、车辆、杆状交通设施是重要的交通地物,也是智能交通,导航与位置服务,自动驾驶和高精地图等行业应用的核心要素.为了准确识别这些路侧目标,本文提出一种融合点云和多视角图像的深度学习模型PGVNet(point-group-vi ew network),充分利用目标点云数据中空间几何信息及其多视角图像中高级全局特征提升路侧行道树、车辆和杆状设施的分类精度.为了减少视图间的冗余信息并增强显著视图特征,PGVNet模型利用预训练的VGG网络提取多视图特征,对其进行分组赋权获取最优视图特征;采用嵌入注意力机制的融合策略,利用最优视图特征动态调整PGVNet模型对点云不同局部关系的注意力度,学习不同路侧目标的多层次、多尺度显著特征,实现行道树、车辆和杆状交通设施的精确分类.试验采用5份不同车载激光扫描系统获取的不同城市场景数据验证本文方法的有效性,其中行道树、车辆及杆状交通设施分类结果中的准确率、召回率、精度和F1指数分别达(99.19％、94.27％、93.58％、96.63％);(94.20％、97.56％、92.02％、95.68％);(91.48％、98.61％、90.39％、94.87％).结果表明,本文方法融合多视图全局信息和点云局部结构特征可以有效区分城市场景中的行道树、车辆和杆状交通设施,可为高精度地图中要素构建与矢量化提供数据支撑. 相似文献
2.
以车载激光点云数据为对象,提出一种基于轻型梯度增强学习器LightGBM(Light Gradient Boosting Machine)的电力线快速提取方法。该方法首先分析车载激光点云邻域范围内电力线和其他地物类型的基本特征,构建描述电力线点云的特征向量;其次训练基于LightGBM模型的电力线点云分类器,用于提取车载激光点云中的电力线;最后选择3个车载激光点云数据集对该方法的有效性进行了测试。实验结果表明:所提方法的分类效果与最优的梯度提升决策树GBDT(Gradient Boosting Decision Tree)算法持平,但时间效率上有显著提升,仅为GBDT方法的27.29%。同时,所提出的算法能够从海量的车载激光点云中快速提取电力线,可以用于支撑城市中电力线巡查与改造应用需求,具有重要的实践意义。 相似文献
1