用于机载激光雷达点云分类的方向约束全卷积神经网络
计算机视觉与模式识别
2020-04-21 v1
摘要
点云分类在广泛的机载光探测与测距（LiDAR）应用中起着重要作用，如地形测绘、森林监测、电力线检测和道路检测。然而，由于传感器噪声、高冗余、不完整性以及机载 LiDAR 系统的复杂性，点云分类具有挑战性。本文中，我们提出了一种方向约束全卷积神经网络（D-FCN），其可将原始 3D 坐标和 LiDAR 强度作为输入；因此，它可直接应用于非结构化 3D 点云进行语义标注。具体而言，我们首先引入一种新颖的方向约束点卷积（D-Conv）模块，从投影的 2D 感受野中提取 3D 点集的局部代表性特征。为充分利用邻域点的方向信息，所提出的 D-Conv 模块通过使用方向约束最近邻搜索以方向感知的方式进行卷积。随后，我们设计了一个带有下采样和上采样块的多尺度全卷积神经网络以实现多尺度点特征学习。因此，所提出的 D-FCN 模型可处理任意大小的输入点云，并以端到端方式直接预测所有输入点的语义标签。在不涉及额外几何特征作为输入的情况下，所提方法在国际摄影测量与遥感学会（ISPRS）3D 标注基准数据集上展示了优越性能。结果表明，我们的模型以 70.7% 的平均 F1 分数达到了新的最先进性能水平，并在点数较少的类别（如电力线、汽车和立面）上大幅提升了性能。
引用
@article{arxiv.1908.06673,
title = {Directionally Constrained Fully Convolutional Neural Network For Airborne Lidar Point Cloud Classification},
author = {Congcong Wen and Lina Yang and Ling Peng and Xiang Li and Tianhe Chi},
journal= {arXiv preprint arXiv:1908.06673},
year = {2020}
}