傾斜攝影測量通過影像密集匹配生成的高精度彩色點云是實現建筑物語義信息提取的關鍵數據。但因點云數據的不規(guī)則性,無論是應用傳統(tǒng)算法還是卷積神經網絡都無法對點云數據進行較好的處理。提出采用動態(tài)圖深度卷積網絡直接處理3D原始點云數據的方法,將點云分為建筑物和非建筑物2類。試驗結果表明,該方法可以自適應地學習點云中的各項特征信息,學習每個點的獨立空間信息和色彩信息,同時還能提取點云的局部和全局特征,分類精度高達98.49%,大大提高了分類精度和效率。 

【文章來源】：測繪標準化. 2020,36(03)

【文章頁數】：6 頁

【部分圖文】：

生成的數據集中部分點云數據俯視圖(真彩色顯示)

表2是PointNet和DGCNN在網絡規(guī)模、訓練耗時等方面的對比結果,由于Edgeconv的內部結構比MLP更復雜,導致DGCNN的網絡深度比PointNet更深,因此PointNet的學習參數要比DGCNN少,這也使得DGCNN比PointNet耗費的時間更多。3 結 語

EdgeConv結構

【參考文獻】：
期刊論文
[1]基于隨機森林的傾斜影像匹配點云分類研究[J]. 趙利霞,王宏濤,郭增長,管建軍.  測繪工程. 2018(12)
[2]面向對象的傾斜攝影測量點云分類方法[J]. 何雪,鄒崢嶸,張云生,杜守基,鄭特.  國土資源遙感. 2018(02)
[3]基于圖割算法的攝影測量點云面向對象分類方法[J]. 鄭特,鄒崢嶸,張云生,杜守基,何雪.  測繪工程. 2018(03)



本文編號：3247719