基于密度感知卷积与上下文编码的机载 LiDAR 点云分类网络
计算机视觉与模式识别
2022-11-21 v1
摘要
为了更好地解决三维点云中固有的不规则性和不均匀性带来的挑战，研究者已将重心从手工设计点特征转向利用深度神经网络学习三维点云分类的三维点签名。近期提出的基于深度学习的三维点云分类方法要么在投影特征图上应用二维 CNN，要么直接在原始点集上应用一维卷积层。这些方法无法充分识别由点云数据密度分布不均引起的细粒度局部结构。本文为应对这一挑战，引入了密度感知卷积模块，利用逐点密度对卷积核的可学习权重进行重加权。所提卷积模块能够在分布不均的三维点集上充分逼近三维连续卷积。基于此卷积模块，我们进一步开发了带有下采样和上采样块的多尺度全卷积神经网络，以实现分层点特征学习。此外，为规整全局语义上下文，我们实现了上下文编码模块来预测全局上下文编码，并构造了上下文编码正则化器以强制预测的上下文编码与真实值对齐。整体网络可以以端到端方式训练，输入为原始三维坐标及离地高度。在国际摄影测量与遥感学会 (ISPRS) 三维标注基准上的实验证明了所提方法在点云分类上的优越性。我们的模型以 71.2% 的平均 F1 分数取得了新的 SOTA 性能，并在多个类别上大幅提升了表现。
引用
@article{arxiv.1910.05909,
title = {Density-Aware Convolutional Networks with Context Encoding for Airborne LiDAR Point Cloud Classification},
author = {Xiang Li and Mingyang Wang and Congcong Wen and Lingjing Wang and Nan Zhou and Yi Fang},
journal= {arXiv preprint arXiv:1910.05909},
year = {2022}
}