研究目的
为开发和评估用于户外移动激光扫描（MLS）数据自动分类的深度卷积神经网络（CNN）架构，以应对遮挡、噪声和杂乱等挑战。
研究成果
所提出的CNN架构（SCN、MFC、MFCR）能有效高精度分类室外MLS数据，克服了噪声和遮挡等挑战。MFC通过多面特征比SCN提升准确率，MFCR则通过样本复现进一步优化。这些方法无需参数且具有跨传感器通用性，在GIS和自主导航领域具有应用潜力。
研究不足
硬件限制影响了面数和特征图的数量。由于样本有限，该研究仅使用了四个类别。推广到不同传感器（如Paris-Lille-3D数据集）的数据时，准确率有所下降。这些架构需要大量的计算资源和训练时间。
1：实验设计与方法选择：
本研究提出三种CNN架构（SCN、MFC、MFCR）用于MLS数据的3D分类。MFC采用样本的多个旋转面作为输入，MFCR通过样本复制增强训练。使用交叉熵损失函数的反向传播、L2正则化、动量、dropout和ELU激活函数。
2：样本选择与数据来源：
手动分割Streetmapper和Lynx传感器的MLS数据集，提取树木、电线杆、房屋和地面类别的样本。额外加入KITTI数据集（使用Velodyne传感器）的汽车样本。按每类特定样本数量创建训练集和测试集。
3：实验设备与材料清单：
12核3.5GHz英特尔至强处理器、NVIDIA Quadro K4000 GPU、Python编程语言及多传感器数据集。
4：5GHz英特尔至强处理器、NVIDIA Quadro K4000 GPU、Python编程语言及多传感器数据集。 实验流程与操作步骤：
4. 实验流程与操作步骤：将样本重缩放并体素化为20×20×20体素。通过X/Y/Z轴旋转生成面片。训练测试CNN，复制算法根据训练后的MFC向样本添加点云。
5：数据分析方法：
通过总体精度和Kappa值评估分类准确率，同时计算各类别的精确率和召回率。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
NVIDIA Quadro GPU
K4000
NVIDIA
Accelerates deep learning computations for CNN training.
-
Intel Xeon Processor
3.5 GHz
Intel
Used for computational processing in training and testing the CNN architectures.
-
Streetmapper Sensor
Used for acquiring Mobile Laser Scanning (MLS) data.
-
Lynx Sensor
Optech
Used for acquiring Mobile Laser Scanning (MLS) data.
-
Velodyne Sensor
Velodyne
Used in KITTI dataset for acquiring point cloud data of cars.
-
L3D2 Sensor
Mentioned in the context of Paris-Lille-3D dataset for MLS data acquisition.
-
登录查看剩余4件设备及参数对照表
查看全部
