CN110363178B - 基于局部和全局深度特征嵌入的机载激光点云分类方法 - Google Patents

基于局部和全局深度特征嵌入的机载激光点云分类方法 Download PDF

Info

Publication number
CN110363178B
CN110363178B CN201910666393.2A CN201910666393A CN110363178B CN 110363178 B CN110363178 B CN 110363178B CN 201910666393 A CN201910666393 A CN 201910666393A CN 110363178 B CN110363178 B CN 110363178B
Authority
CN
China
Prior art keywords
local
point cloud
embedding
global
spatial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910666393.2A
Other languages
English (en)
Other versions
CN110363178A (zh
Inventor
黄荣
徐聿升
洪丹枫
潘玥
顾振雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Saihei Intelligent Technology Co ltd
Original Assignee
Shanghai Saihei Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Saihei Intelligent Technology Co ltd filed Critical Shanghai Saihei Intelligent Technology Co ltd
Priority to CN201910666393.2A priority Critical patent/CN110363178B/zh
Publication of CN110363178A publication Critical patent/CN110363178A/zh
Application granted granted Critical
Publication of CN110363178B publication Critical patent/CN110363178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Abstract

本发明涉及一种基于局部和全局深度特征嵌入的机载激光点云分类方法，该方法包括以下步骤：步骤1：对城市场景点云数据进行预处理后输入PointNet++并获得初始软标签和深度特征；步骤2：将深度特征及城市场景点云数据中的空间信息嵌入到优化域中并利用局部空间流形学习方法表示该优化域；步骤3：对基于初始软标签结合优化域得到的通过降维表示的基于局部数据和全局特征相关性优化的特征进行优化，优化方式为使用全局空间正则化进行分类结果优化，得到最终点云分类结果。与现有技术相比，本发明不仅对特征学习进行了优化同时也解决了局部和全局的标记平滑问题，具有优化效果好，分类准确度高等优点。

Description

基于局部和全局深度特征嵌入的机载激光点云分类方法
技术领域
本发明涉及一种点云分类方法，尤其是涉及一种基于局部和全局深度特征嵌入的机载激光点云分类方法。
背景技术
通过光探测和测距(LiDAR)获取的三维点云已广泛应用于各种领域，如三维城市建模，土地覆盖和土地利用制图，自动导航，林业监测，施工监测和历史保护。特别是对于机载激光扫描(ALS)数据，可以在城市地区实现有效的大规模三维绘图。然而，作为前面提到的许多应用的基础，一个重要的任务是如何实现由点云呈现的3D场景的语义解释。点云的语义解释的主要任务基本上是基于由点以及其邻域点提供的3D信息为点云中的每个点分配唯一的语义标签。尽管许多研究已经报道了不同的策略，但由于点云的不同内在问题，例如场景的复杂性，由于扫描距离变化导致的点分布的不均匀性，噪声和异常值引起的挑战仍然存在。由扫描对象的移动或者其他对象的遮挡导致扫描对象在3D点云中部分信息的缺失而导致难以进行合理的场景解译。
经典的基于点的分类方法极大地依赖于人为的特征设计以及领域选择。因此，使用了一种能够直接处理原始点数据的高效深度学习技术。为了提高PointNet++的学习能力，多尺度策略也应用于网络特征学习中，通过在输入层中的分层采样来实现。这种多尺度PointNet++可作为提供深度特征和良好初始分类结果的工具。尽管规则性是网络的元参数化的副产品，例如卷积掩模的大小，然而这种对空间邻域的平滑是不可控的。同时在网络输入过程中分块以及降采样和插值过程也会造成相应的噪声。为了提高初始分类结果的平滑度，应用全局优化。但是，GSR只考虑空间规律性而忽略了上下文约束。为了解决这个问题，首先对特征进行局部嵌入的优化，从而提高局部区域的平滑性，再进行全局优化。
受高光谱分类降维中流形学习成功的启发，可以通过空间和上下文信息嵌入找到优化域。正是在这种背景下，本发明提出了一个框架，通过对局部特征空间以及实际三维空间的信息进行低维嵌入以改善分类结果的平滑性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于局部和全局深度特征嵌入的机载激光点云分类方法。
本发明的目的可以通过以下技术方案来实现：
一种基于局部和全局深度特征嵌入的机载激光点云分类方法，该方法包括以下步骤：
步骤1：对城市场景点云数据进行预处理后输入PointNet++并获得初始软标签和深度特征；
步骤2：将深度特征及城市场景点云数据中的空间信息嵌入到优化域中并利用局部空间流形学习方法表示该优化域；
步骤3：对基于初始软标签结合优化域得到的通过降维表示的基于局部数据和全局特征相关性优化的特征进行优化，优化方式为使用全局空间正则化进行分类结果优化，得到最终点云分类结果。
进一步地，所述的步骤1包括以下分步骤：
步骤11：将城市场景点云数据分割并降采样为固定数量的多尺度碎片；
步骤12：将多尺度碎片输入至PointNet++中并获得初始软标签和深度特征。
进一步地，所述步骤2中局部空间流形学习方法通过基于局部线性嵌入框架下嵌入上下文信息和空间信息的方法实现，所述基于局部线性嵌入框架下嵌入上下文信息和空间信息的方法包括以下步骤：
步骤21：使用KNN定义点之间的空间相关性并通过这些点建立空间邻域；
步骤22：通过添加这些点建立的空间邻域及约束方程以计算重建权重；
步骤23：将重建权重的解析解带入所述局部空间流形学习方法中的嵌入运算的优化方程组以完成特征降维。
进一步地，所述步骤22中的重建权重的具体描述公式为：
Figure GDA0003069215390000021
式中，
Figure GDA0003069215390000031
表示添加空间约束的第0个重建权重矩阵，xik表示k邻域点对应的i样本，qik表示k邻域点对应的重建权重，
Figure GDA0003069215390000032
表示第l个领域在特征空间中选取的KNN邻域。
进一步地，所述步骤22中的约束方程的具体描述公式为：
Figure GDA0003069215390000033
Figure GDA0003069215390000034
式中，
Figure GDA0003069215390000035
表示添加空间约束的第k个重建权重矩阵，ε表示误差范围，k＝0,1,...,K表示每个样本的邻域点。
进一步地，所述步骤23中的重建权重的解析解的具体描述公式为：
Figure GDA0003069215390000036
式中，A表示由第l个领域在特征空间中选取的KNN邻域、邻域点和用于平衡误差与约束的系数构成的参数矩阵，
Figure GDA0003069215390000037
表示由1维单位向量组成的单位矩阵，E表示参数矩阵。
进一步地，所述步骤23中的所述局部空间流形学习方法中的嵌入运算的优化方程组的具体描述公式为：
Figure GDA0003069215390000038
式中，yi和yj表示低维空间内的数据，Qij表示重建矩阵内的元素，φi表示邻域点集内的元素，Y表示低维空间，L表示拉普拉斯矩阵，I表示单位矩阵，Wij表示邻接权重。
进一步地，所述步骤3包括以下分步骤：
步骤31：对基于初始软标签结合优化域得到的通过降维表示的基于局部数据和全局特征相关性优化的特征细分为多个子点集，并对每个子点集进行基于图像的正则化操作，获得多个经过基于图像的正则化操作的子点集；
步骤32：针对每个经过基于图像的正则化操作的子点集构建加权图并进行图分割操作，获得多个经过图分割操作的图模型；
步骤33：针对每个经过图分割操作的图模型的能量函数进行求解并最终得到最终点云分类结果。
进一步地，所述步骤32具体包括：针对每个经过基于图像的正则化操作的子点集构建加权图并通过GraphCuts算法进行图分割操作，获得多个经过图分割操作的图模型。
进一步地，所述步骤33具体包括：针对每个经过图分割操作的图模型的能量函数通过alpha扩展算法进行求解并最终得到最终点云分类结果，所述alpha扩展算法的求解过程具体包括：通过切割将所有alpha标记和alpha未标记的节点分开，在每次迭代时改变alpha标签，并且当迭代期间出现两个相邻节点不共享相同标签时插入中间节点，循环迭代至alpha的每个可能标签收敛时迭代结束。
与现有技术相比，本发明具有以下优点：
(1)作为当前具有手工制作功能的本地环境的替代方案，本发明的目标是利用深嵌入器(PointNet++)进一步利用点邻域的潜力，同时也可以获得相对应的标记信息，本发明开发了一种有效的点云分类分类方法，解决了两个挑战，即为感兴趣的地物类别找到最佳和有效的特征表示，并基于点特征和初始标记来细化分类结果。首先，作为当前常用的人工设计的局部特征的替代方案，通过PointNet++进行深入的特征学习，进一步利用本地邻域的潜力。其次，引入了一种结合空间和深度特征域的基于流形学习的方法，进一步提高了局部上下文表示的鲁棒性，挖掘了埋藏在深层特征所呈现的复杂空间下的底层优化数据特性，最后，通过构建图来进行基于图切割的全局正则化，以优化初始标签并细化分类结果，分类准确度高。
(2)本发明引入了一种结合空间和深度特征域的基于流形学习的方法，进一步提高了局部上下文表示的鲁棒性，挖掘了埋藏在深层特征所呈现的复杂空间下的底层优化数据结构。并利用降维之后更具鲁棒性的特征进行分类，从而更新相对应的标记信息。
(3)本发明通过构建图来进行基于图割的全局正则化，以优化标记并细化分类结果，优化效果好。
附图说明
图1为本发明方法的整体流程图；
图2为本发明方法中点云的分割与降采样的过程示意图；
图3为本发明国际摄影测量与遥感协会的三维语义标注基准训练数据集；
图4为本发明国际摄影测量与遥感协会的三维语义标注基准测试数据集；
图5为本发明国际摄影测量与遥感协会的三维语义标注基准数据集的区域1的分类结果图；
图6为本发明国际摄影测量与遥感协会的三维语义标注基准数据集的区域2的分类结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
本发明涉及一种局部和全局深度特征嵌入的机载激光点云分类方法。在本方法中，提出了一个框架，通过深度学习和流形学习技术嵌入局部空间和光谱信息来的方式获得点云的语义标签，并通过使用GraphCuts算法对降维后特征的分类结果进行全局优化来改进分类结果。特别是，不仅对特征学习进行了优化同时也解决了局部和全局的标记平滑问题。具体而言，本发明提出的方法的创新点可以在三个方面呈现。首先，作为当前常用的人工设计的局部特征的替代方案，本发明的目标是通过PointNet++进行深度特征学习，进一步挖掘本地邻近点的潜力。其次，引入了一种结合空间和深度特征域的基于流形学习的方法，进一步提高了局部上下文表示的鲁棒性，挖掘了埋藏在深层特征所呈现的复杂空间下的更为优化数据特征。最后，通过构建图来进行基于图割的全局优化，以优化基于特征的分类结果。
实施例
本发明提出的所提出的点云分类方法包括三个主要步骤，如图1所示：(1)多尺度深度特征学习；(2)保持局部空间和特征域的特征嵌入；(3)以及基于图的全局优化。
(1)在第一步中，整个城市场景被分成具有不同尺寸的碎片，并且这些碎片被降采样为固定数量，以满足设计网络的输入要求(如图2所示)。然后将这些不同尺度的碎片样本输入PointNet++以生成初始分类概率，以及每个点的深度特征，其不仅包括基于点的特征，还包括每个芯片的区域特征。这里的场景点云分割使用的为基于超体素和区域增长相结合的分割方法。
(2)在第二步中，为了进一步改善提取特征的清晰度和空间相关性，深度特征和空间信息都嵌入到优化域中，该域通过基于流形学习算法来表示基础数据结构。
具体说来，局部空间流形学习(LML)方法的主要思想是找到埋在复杂高维空间中的基础局部流形结构，并将其嵌入低维空间。通常LML方法由三个步骤组成，即邻域恢复，邻接权重的计算和低维嵌入的计算。给定X＝[x1,x2,...,xN]∈RM×N表示具有M个维度的N个样本，φ表示使用KNN(k最近邻)算法得到的邻域点集，则LML的目的为将这些样本嵌入到低维空间中，表示为：Y＝[y1,y2,...,yN]∈RD×N(D＜＜L)。该嵌入的计算可以由下式获得：
Figure GDA0003069215390000061
式中，W表示邻接权重矩阵，然后Wij表示样本i与j之间的邻接权重，L表示拉普拉斯矩阵，通过L＝W-D，D＝∑jWij得到，i、j、n均为自然数。而P表示不同LML方法所使用的约束。
本发明方法中，使用局部线性嵌入(LLE)来实现局部流形学习。LLE假设全局非线性但局部线性嵌入，因此对于每个点，其相邻点可以通过乘以线性重建马赛克嵌入到低维空间中。在这种情况下，可以通过最小化残差平方和来从其相邻点重建每个点来获得重建矩阵：
Figure GDA0003069215390000062
在给定权重矩阵的情况下，本发明的目标是通过最小化嵌入成本函数来找到D维的坐标：
Figure GDA0003069215390000071
这里的约束条件如下：
Figure GDA0003069215390000072
1/nYTY＝I
或者，嵌入式坐标也可以用图形嵌入方式计算，因此可以重写为优化方程式：
Figure GDA0003069215390000073
其中，W表示邻接权重矩阵，可以从重建的权重矩阵中获得：
Figure GDA0003069215390000074
式中，Qij和Qji表示重建的权重矩阵Q内的元素；
这里使用的拉普拉斯矩阵可以由如下得到：
L＝D-W＝(I-QT)(I-Q)
LLE是一种能够充分考虑局部数据属性的充分方法，因此可以通过研究局部数据的性质来很好地学习和表示局部流形结构。
为了提高嵌入器的鲁棒性和结合空间信息的能力，在假设空间域中的相邻点应该共享相似的重建权重的情况下，通过添加空间信息来计算嵌入。在这种情况下，本发明提出了一种在LLE框架下嵌入上下文信息和空间信息的方法。对于2D图像，空间相关性可以容易地由4邻域或8邻域表示。然而，对于3D点云，点的分布是不规则的并且难以建模。因此，在这项工作中，本发明使用KNN来定义点之间的空间相关性，并且通过这些点建立空间邻域。然后，可以通过添加这些相邻点的空间约束来计算重建权重：
Figure GDA0003069215390000081
式中，k＝0,1,...,K代表每个样本的空间邻域点，
Figure GDA0003069215390000082
为第l个邻域在特征空间中选取的KNN邻域，l为自然数，使用的约束方程则如下所示：
Figure GDA0003069215390000083
Figure GDA0003069215390000084
其中，ε表示误差范围。该问题最终可以视为一个联合优化问题，可以被重新表达为：
Figure GDA0003069215390000085
Figure GDA0003069215390000086
Figure GDA0003069215390000087
式中，e为1维的单位向量，α为用于平衡误差与约束的系数，则最终降维所使用的权重矩阵可以由下式计算得到：
Figure GDA0003069215390000088
式中，γ表示朗格朗日乘子，
Figure GDA0003069215390000091
表示由1维单位向量组成的单位矩阵。
并通过下式求得解析解：
Figure GDA0003069215390000092
将此结果带入重写的优化方程式中，即可完成特征的降维。
在所提出的降维后的表示方式中，原始数据中的每个点首先由从基于点的神经网络提取的区域深度特征来表示。然后，通过挖掘局部流形结构来嵌入空间信息，这些特征不仅基于局部数据而且基于全局特征相关性来优化这些特征。
(3)在最后一步中，使用基于图的正则化方法来优化初始分类结果。图模型由顶点和边组成。具体地，图模型G＝(V，E)用于表示要分类的数据，并且V和E分别是一组顶点和边缘。此处的定点即为每个数据点，每个边缘都有权值，并且边缘的值根据与不同物理属性相关的不同权重而变化。图模型所构建的能量函数的解可以通过alpha扩展算法来实现。这里只有当边界项是度量时，才能应用alpha扩展算法。alpha扩展算法的一般思想是用“切割”将所有alpha标记和非alpha标记的节点分开，算法将在每次迭代时改变alpha的标签。在每次迭代时，标记为alpha的节点附近的区域被扩展，图形权重被重置。在迭代期间，如果两个相邻节点不共享相同的标签，则插入中间节点，其中加权链接到到具有标签alpha的节点的距离。该算法将迭代alpha的每个可能标签，直到它收敛为止。
在实际实验过程中，本实施例使用了国际摄影测量与遥感协会的三维语义标注基准数据集进行实验，结果证明了本发明所提出的方法与几种常用的最先进的分类算法相比，具有良好的优势。图3、图4、图5和图6给出了本发明所使用的数据集及分类结果。表1给出了本发明的分类算法得到的各个类别地物的分类精度。
为了评估本发明提出的框架的性能，在机载激光扫描(ALS)点云基准数据集上进行了实验，由其可以证明，与几种常用的最先进的方法相比，本发明的方法可以实现更高的准确性。本发明提出的方法在国际摄影测量与遥感协会的基准数据集上，用于标记9个语义类时，其总体准确性可以达到83.08％。
表1：本发明的分类方法与不同经典分类算法对比的结果，OA表示总体精度
Figure GDA0003069215390000101
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，该方法包括以下步骤：
步骤1：对城市场景点云数据进行预处理后输入PointNet++并获得初始软标签和深度特征；
步骤2：将深度特征及城市场景点云数据中的空间信息嵌入到优化域中并利用局部空间流形学习方法表示该优化域；
步骤3：对基于初始软标签结合优化域得到的通过降维表示的基于局部数据和全局特征相关性优化的特征进行优化，优化方式为使用全局空间正则化进行分类结果优化，得到最终点云分类结果。
2.根据权利要求1所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述的步骤1包括以下分步骤：
步骤11：将城市场景点云数据分割并降采样为固定数量的多尺度碎片；
步骤12：将多尺度碎片输入至PointNet++中并获得初始软标签和深度特征。
3.根据权利要求1所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤2中局部空间流形学习方法通过基于局部线性嵌入框架下嵌入上下文信息和空间信息的方法实现，所述基于局部线性嵌入框架下嵌入上下文信息和空间信息的方法包括以下步骤：
步骤21：使用KNN定义点之间的空间相关性并通过这些点建立空间邻域；
步骤22：通过添加这些点建立的空间邻域及约束方程以计算重建权重；
步骤23：将重建权重的解析解带入所述局部空间流形学习方法中的嵌入运算的优化方程组以完成特征降维。
4.根据权利要求3所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤22中的重建权重的具体描述公式为：
Figure FDA0003069215380000011
式中，
Figure FDA0003069215380000012
表示添加空间约束的第0个重建权重矩阵，xik表示k邻域点对应的i样本，qik表示k邻域点对应的重建权重，
Figure FDA0003069215380000013
表示第l个领域在特征空间中选取的KNN邻域。
5.根据权利要求3所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤22中的约束方程的具体描述公式为：
Figure FDA0003069215380000021
Figure FDA0003069215380000022
式中，
Figure FDA0003069215380000023
表示添加空间约束的第k个重建权重矩阵，ε表示误差范围，k＝0,1,...,K表示每个样本的邻域点。
6.根据权利要求3所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤23中的重建权重的解析解的具体描述公式为：
Figure FDA0003069215380000024
式中，A表示由第l个领域在特征空间中选取的KNN邻域、邻域点和用于平衡误差与约束的系数构成的参数矩阵，
Figure FDA0003069215380000025
表示由1维单位向量组成的单位矩阵，E表示参数矩阵。
7.根据权利要求3所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤23中的所述局部空间流形学习方法中的嵌入运算的优化方程组的具体描述公式为：
Figure FDA0003069215380000026
式中，yi和yj表示低维空间内的数据，Qij表示重建矩阵内的元素，φi表示邻域点集内的元素，Y表示低维空间，L表示拉普拉斯矩阵，I表示单位矩阵，Wij表示邻接权重。
8.根据权利要求1所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤3包括以下分步骤：
步骤31：对基于初始软标签结合优化域得到的通过降维表示的基于局部数据和全局特征相关性优化的特征细分为多个子点集，并对每个子点集进行基于图像的正则化操作，获得多个经过基于图像的正则化操作的子点集；
步骤32：针对每个经过基于图像的正则化操作的子点集构建加权图并进行图分割操作，获得多个经过图分割操作的图模型；
步骤33：针对每个经过图分割操作的图模型的能量函数进行求解并最终得到最终点云分类结果。
9.根据权利要求8所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤32具体包括：针对每个经过基于图像的正则化操作的子点集构建加权图并通过GraphCuts算法进行图分割操作，获得多个经过图分割操作的图模型。
10.根据权利要求8所述的一种基于局部和全局深度特征嵌入的机载激光点云分类方法，其特征在于，所述步骤33具体包括：针对每个经过图分割操作的图模型的能量函数通过alpha扩展算法进行求解并最终得到最终点云分类结果，所述alpha扩展算法的求解过程具体包括：通过切割将所有alpha标记和alpha未标记的节点分开，在每次迭代时改变alpha标签，并且当迭代期间出现两个相邻节点不共享相同标签时插入中间节点，循环迭代至alpha的每个可能标签收敛时迭代结束。
CN201910666393.2A 2019-07-23 2019-07-23 基于局部和全局深度特征嵌入的机载激光点云分类方法 Active CN110363178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910666393.2A CN110363178B (zh) 2019-07-23 2019-07-23 基于局部和全局深度特征嵌入的机载激光点云分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910666393.2A CN110363178B (zh) 2019-07-23 2019-07-23 基于局部和全局深度特征嵌入的机载激光点云分类方法

Publications (2)

Publication Number Publication Date
CN110363178A CN110363178A (zh) 2019-10-22
CN110363178B true CN110363178B (zh) 2021-10-15

Family

ID=68219676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910666393.2A Active CN110363178B (zh) 2019-07-23 2019-07-23 基于局部和全局深度特征嵌入的机载激光点云分类方法

Country Status (1)

Country Link
CN (1) CN110363178B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401426B (zh) * 2020-03-11 2022-04-08 西北工业大学 基于伪标签学习的小样本高光谱图像分类方法
CN111814874B (zh) * 2020-07-08 2024-04-02 东华大学 一种用于点云深度学习的多尺度特征提取增强方法及系统
CN111950658B (zh) * 2020-08-28 2024-02-09 南京大学 一种基于深度学习的LiDAR点云与光学影像先验级耦合分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046688A (zh) * 2015-06-23 2015-11-11 北京工业大学 一种三维点云中的多平面自动识别方法
CN106780551A (zh) * 2016-11-18 2017-05-31 湖南拓视觉信息技术有限公司 一种三维运动目标检测方法和系统
CN108805155A (zh) * 2018-03-21 2018-11-13 温州大学苍南研究院 同时学习关联矩阵和拉普拉斯正则化最小二乘的半监督分类方法
CN109559320A (zh) * 2018-09-18 2019-04-02 华东理工大学 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统
CN109800780A (zh) * 2018-12-05 2019-05-24 天津大学 基于非监督流形对齐的域自适应遥感图像分类算法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106154247B (zh) * 2016-06-24 2018-07-10 南京林业大学 一种多尺度全波形激光雷达数据最优化分解方法
US10685430B2 (en) * 2017-05-10 2020-06-16 Babylon VR Inc. System and methods for generating an optimized 3D model
US10824862B2 (en) * 2017-11-14 2020-11-03 Nuro, Inc. Three-dimensional object detection for autonomous robotic systems using image proposals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105046688A (zh) * 2015-06-23 2015-11-11 北京工业大学 一种三维点云中的多平面自动识别方法
CN106780551A (zh) * 2016-11-18 2017-05-31 湖南拓视觉信息技术有限公司 一种三维运动目标检测方法和系统
CN108805155A (zh) * 2018-03-21 2018-11-13 温州大学苍南研究院 同时学习关联矩阵和拉普拉斯正则化最小二乘的半监督分类方法
CN109559320A (zh) * 2018-09-18 2019-04-02 华东理工大学 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及系统
CN109800780A (zh) * 2018-12-05 2019-05-24 天津大学 基于非监督流形对齐的域自适应遥感图像分类算法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
3d semantic parsing of large-scale indoor spaces;Armeni等;《Computer Vision & Pattern Recognition》;20161212;第1534–1543页 *
3D点云形状特征的二维主流形描述;孙晓鹏 等;《软件学报》;20150508;第699-709页 *
A multi-scale fully convolutional network for semantic labeling of 3D point clouds;Mohammed Yousefhussien等;《ISPRS Journal of Photogrammetry and Remote Sensing》;20180930;第191-204页 *
USING MULTI-SCALE FEATURES FOR THE 3D SEMANTIC LABELING OF AIRBORNE LASER SCANNING DATA;Rosmarie Blomley等;《ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences》;20170930;第43-50页 *
基于多重流形嵌入的局部线性嵌入与等距映射面部表情估计方法;赵思阳 等;《虚拟现实与数字媒体》;20170107;第175-178页 *
流形学习与稀疏表示在模式识别中的应用;邢向磊;《中国博士学位论文全文数据库信息科技辑》;20160815;I138-61 *

Also Published As

Publication number Publication date
CN110363178A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
AU2018360836B2 (en) Methods and apparatus for automatically defining computer-aided design files using machine learning, image analytics, and/or computer vision
Huang et al. Deep point embedding for urban classification using ALS point clouds: A new perspective from local to global
US9129432B2 (en) Image-based procedural remodeling of buildings
CN107180426B (zh) 基于可迁移的多模型集成的计算机辅助肺结节分类装置
CN110853026B (zh) 一种融合深度学习与区域分割的遥感影像变化检测方法
CN111898507A (zh) 一种预测无标签遥感影像地表覆盖类别的深度学习方法
CN110363178B (zh) 基于局部和全局深度特征嵌入的机载激光点云分类方法
Becker Generation and application of rules for quality dependent façade reconstruction
Lee et al. Perceptual organization of 3D surface points
Ning et al. Segmentation of architecture shape information from 3D point cloud
CN115205692B (zh) 基于生成对抗网络的典型地物要素智能识别与提取方法
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN110956207B (zh) 一种光学遥感影像全要素变化检测方法
CN115564926B (zh) 基于影像建筑物结构学习的三维面片模型构建方法
Wang et al. A local structure and direction-aware optimization approach for three-dimensional tree modeling
CN113505670A (zh) 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法
CN116682021A (zh) 一种高分辨率遥感影像建筑物矢量轮廓数据提取方法
Van de Voorde et al. Extraction of land use/land cover related information from very high resolution data in urban and suburban areas
Hu et al. Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization
CN115019163A (zh) 基于多源大数据的城市要素识别方法
Prerna et al. Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey
Nikfar et al. Optimization of multiresolution segmentation by using a genetic algorithm
Tripodi et al. Brightearth: Pipeline for on-the-fly 3D reconstruction of urban and rural scenes from one satellite image
CN112365456A (zh) 基于三维点云数据的变电站设备分类方法
Zhang et al. Building façade element extraction based on multidimensional virtual semantic feature map ensemble learning and hierarchical clustering

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant