基于图注意力卷积神经网络的机载激光雷达点云分类
计算机视觉与模式识别
2020-04-21 v1
摘要
机载激光探测与测距（LiDAR）凭借其快速获取大规模、高精度地面信息的能力，在城市规划、地形测绘、环境监测、电力线检测等领域发挥着日益重要的作用。为实现点云分类，已有研究提出了可直接基于类PointNet架构处理原始点云的点云深度学习模型。近期一些工作则基于点云的固有拓扑结构提出了图卷积神经网络。然而，上述点云深度学习模型仅关注局部几何结构的挖掘，而忽略了所有点之间的全局上下文关系。本文提出一种图注意力卷积神经网络（GACNN），可直接应用于机载LiDAR获取的非结构化三维点云分类。具体而言，我们首先引入一个融合全局上下文信息与局部结构特征的图注意力卷积模块。基于该模块，我们进一步设计了一个端到端的编码器-解码器网络，即GACNN，以捕获点云的多尺度特征，从而实现更精确的机载点云分类。在ISPRS三维标注数据集上的实验表明，所提模型在平均F1分数（71.5%）上达到了新的SOTA性能，并取得了令人满意的总体精度（83.2%）。此外，在2019年数据融合竞赛数据集上与其他主流点云深度学习模型对比的进一步实验，证明了所提模型良好的泛化能力。
引用
@article{arxiv.2004.09057,
title = {Airborne LiDAR Point Cloud Classification with Graph Attention Convolution Neural Network},
author = {Congcong Wen and Xiang Li and Xiaojing Yao and Ling Peng and Tianhe Chi},
journal= {arXiv preprint arXiv:2004.09057},
year = {2020}
}