首页|融合自适应最优邻域和卷积神经网络的三维点云分类

融合自适应最优邻域和卷积神经网络的三维点云分类

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法.首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得.试验结果表明,本文方法分类的总体精度达90.48％,优于文中其他点云分类方法.
Fusing adaptive optimal neighborhoods and convolutional neural networks for 3D point cloud classification

point cloud classificationadaptive optimal neighborhood size selectiondeep level featuresneural networks

张清波、严加栋

展开 >

江苏城乡建设职业学院,江苏常州213000

南京杰图空间信息技术有限公司,江苏南京210000

点云分类 自适应最优邻域尺寸选择 深层次特征 神经网络

江苏省高等教育教学改革研究立项项目

2021JSJG451

2023

10.13474/j.cnki.11-2246.2023.0221

测绘通报
测绘出版社

测绘通报

CSTPCDCSCD北大核心
影响因子：1.027
ISSN：0494-0911
年,卷(期)：2023.(7)
  • 1
  • 9