基于数据增强与掩码学习的移动激光扫描点云分类方法
摘要
车载移动激光扫描（ MLS）点云可以精确描述道路周围场景，其分类结果可为智能交通、数字孪生城市、高精地图及辅助驾驶等任务提供数据基础。为增强点云分类模型提取特征的表达能力，提高预测的鲁棒性，提出一个基于数据增强与掩码学习的MLS点云分类方法。所提方法主要由高程校准的Mix3D（EC-Mix3D）点云增强策略和掩码学习框架构成。其中，EC-Mix3D策略用于对训练数据进行高程校准的场景混合，扩充训练样本分布，提高模型预测的鲁棒性；掩码学习框架首先对输入点云施加随机块掩码操作获取掩码点云，然后对原始点云和掩码点云的预测进行标签监督学习、一致性约束及错误预测熵最大化，提高对点云特征的表达能力。采用公共MLS数据集（Toronto3D和Pairs数据集）进行方法验证。实验结果表明，所提方法可以对MLS点云进行有效分类，在两个测试数据集上分别获得了83.8%和68.74%的平均交并比，优于其他对比方法。
引用本文（GB/T 7714）
雷相达 Lei Xiangda, 管海燕 Guan Haiyan, 陈科 Chen Ke, 等. 基于数据增强与掩码学习的移动激光扫描点云分类方法[J]. Chinese Journal of Lasers, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。