基于点‑体素一致性约束的城市激光雷达点云分类
摘要
准确高效的点云分类在场景理解和数字孪生城市建设等任务中发挥着关键作用。利用单一点、体素等视觉结构数据的点云分类方法容易丢失关键几何特征；融合多种结构数据的点云分类方法学习到不同数据的多层次、多尺度特征，但难以平衡不同数据之间的差异，降低了点云分类的准确性。因此，提出一个基于点-体素一致性约束的点云分类网络（PVCC-Net），用于准确分割城市场景中的不同尺寸地物。PVCC-Net采用双分支U-Net结构，体素和点分支分别负责提取粗粒度和细粒度特征，并利用点-体素一致性约束模块对齐粗细粒度特征，以减小不同粒度特征的分布差异。然后，所提网络采用点-体素自注意力机制自适应融合聚合后的粗粒度和细粒度特征，进而提升点云全局特征表达。引入Toronto3D、Semantic3D和SensatUrban三个城市场景点云数据集对PVCC-Net进行性能评估。结果显示，PVCC-Net分别取得了97.97%、93.80%和93.00%的总体精度（OA），以及82.92%、75.70%和55.40%的平均交并比（mIoU）。对比实验结果表明，相比基线方法，所提方法可以有效提升对复杂城市场景点云的分类性能，且获得更优的分类结果。
引用本文（GB/T 7714）
李虎辰 Li Huchen, 管海燕 Guan Haiyan, 雷相达 Lei Xiangda, 等. 基于点‑体素一致性约束的城市激光雷达点云分类[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。