基于LiDAR点云的建筑物分割深度学习模型研究

摘要：

本文针对深度神经网络算法应用于机载激光点云进行大规模建筑物提取的问题,分别选取PointNet++和PointCNN两个网络模型进行了改进和对比.对于PointCNN,通过参数调整,使其更适合大场景信息提取.对于PointNet++,为了增加更多特征,加快大场景下网络模型的训练效率,在网络体系结构中添加了一种新的特征提取层——K-means层.另外,通过在测试数据集上的训练和验证发现,本文基于深度学习方法的分类较好地克服了点云的无序特性,能够更好地利用点之间的空间相关性,改进后两种模型的精度均达96％以上,在建筑物提取的时间效率和效果上优于原始模型.

关键词：PointNet++;PointCNN;激光雷达;点云;建筑;K均值

分类号：P237(摄影测量学与测绘遥感)

在线出版日期：2022-01-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：88-93