超越单一感受野：面向机载激光扫描点云分类的感受野融合与分层网络
计算机视觉与模式识别
2022-07-22 v1
摘要
机载激光扫描（ALS）点云分类是遥感与摄影测量领域的一项关键任务。尽管近期基于深度学习的方法已取得令人满意的性能，但它们忽视了感受野的唯一性，这使得ALS点云分类在区分具有复杂结构与极端尺度变化的区域时仍具挑战性。本文中，为配置多感受野特征，我们提出了一种新颖的感受野融合与分层网络（RFFS-Net）。以新颖的扩张图卷积（DGConv）及其扩展环形扩张卷积（ADConv）为基本构建模块，感受野融合过程通过扩张与环形图融合（DAGFusion）模块实现，该模块通过捕获具有不同感受区域的扩张图与环形图来获得多感受野特征表示。以不同分辨率的点集作为计算基础，借助嵌套于RFFS-Net中的多级解码器并在多级感受野聚合损失（MRFALoss）驱动下执行感受野的分层，以引导网络朝不同分辨率的监督标签方向学习。通过感受野融合与分层，RFFS-Net更适应于大规模ALS点云中具复杂结构与极端尺度变化区域的分类。在ISPRS Vaihingen 3D数据集上评估，我们的RFFS-Net在mF1上显著优于基线方法5.3%、在mIoU上优于5.4%，取得了82.1%的总体精度、71.6%的mF1与58.2%的mIoU。此外，在LASDU数据集与2019 IEEE-GRSS数据融合竞赛数据集上的实验表明，RFFS-Net达到了新的state-of-the-art分类性能。
引用
@article{arxiv.2207.10278,
title = {Beyond single receptive field: A receptive field fusion-and-stratification network for airborne laser scanning point cloud classification},
author = {Yongqiang Mao and Kaiqiang Chen and Wenhui Diao and Xian Sun and Xiaonan Lu and Kun Fu and Martin Weinmann},
journal= {arXiv preprint arXiv:2207.10278},
year = {2022}
}
备注
accepted to ISPRS Journal