研究目的
开发一种基于深度学习的方法，用于将地面激光扫描仪（TLS）点云分类为语义类别，以自动化生成三维模型，应用于智慧城市等领域。
研究成果
所提出的多尺度分层深度神经网络能有效以高精度对TLS点云进行分类，其性能优于现有方法。该网络能处理不同密度数据，并同时捕捉局部与全局结构。未来工作应聚焦于参数调整的自动化，以及整合其他空间数据以实现更精细的分类。
研究不足
该方法需要手动设置参数（N、d、S），可能无法很好地泛化到所有数据集。由于深度学习的复杂性和点云数据量庞大，计算成本较高。对于样本较少的类别（如电线杆和扫描伪影），性能较低。加入颜色和表面法线等额外特征并未显著提升结果，反而增加了计算开销。
1：实验设计与方法选择：
该方法采用多尺度分层深度神经网络直接处理三维点云数据。通过三维卷积神经网络（CNN）提取特征，使用VoxelGrid对点云进行多尺度降采样，并采用softmax回归分类器进行语义标注。该设计旨在处理地面激光扫描（TLS）数据中变化的点密度和不规则分布。
2：样本选择与数据来源：
使用两个基准数据集——奥克兰数据集（移动激光扫描数据，含立面、地面、电线、植被、杆件5类）和欧洲数据集（TLS数据，含人工地形、自然地形、高植被、低植被、建筑物、硬质景观、扫描伪影、车辆8类）。两个数据集均划分为训练集和测试集。
3：实验设备与材料清单：
实验实施使用配备英特尔至强E5-2680 CPU（14核，2.40 GHz）、64.0 GB内存及英伟达Quadro P5000 GPU（16.0 GB）的工作站，软件包括TensorFlow和Python。
4：40 GHz）、0 GB内存及英伟达Quadro P5000 GPU（0 GB）的工作站，软件包括TensorFlow和Python。 实验流程与操作步骤：
4. 实验流程与操作步骤：包括构建kd树进行最近邻搜索、利用对称函数进行特征变换、通过卷积层和最大池化层提取特征、多尺度降采样，以及采用softmax回归分类。通过迭代测试优化邻近点数量（N）、层次特征深度（d）和尺度数量（S）等参数。
5：数据分析方法：
采用精确率、召回率、F1分数、总体精度和交并比（IoU）评估性能。通过反向传播最小化交叉熵损失函数以实现参数优化。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
NVIDIA Quadro P5000
P5000
NVIDIA
GPU used for accelerating the computation in deep learning tasks.
-
TensorFlow
Google
Deep learning framework used for implementing and training the neural network.
-
Intel Xeon E5-2680
E5-2680
Intel
CPU used for general computation in the workstation.
-
VoxelGrid
Algorithm for subsampling point clouds into voxels to handle multi-scale processing.
-
登录查看剩余2件设备及参数对照表
查看全部
