arXiv:1908.06673v1 [cs.CV] 2019 年 8 月 19 日__

arXiv:1908.06673v1 [cs.CV] 2019 年 8 月 19 日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:1908.06673v1 [cs.CV] 2019 年 8 月 19 日

¥ 1.0

热度

点云分类在各种机载光检测和测距 (LiDAR) 应用中发挥着重要作用，例如地形测绘、森林监测、电力线检测和道路检测。然而，由于机载 LiDAR 系统的传感器噪声、高冗余、不完整性和复杂性，点云分类具有挑战性。传统点云分类方法大多侧重于开发手工制作的点几何特征，并采用基于机器学习的分类模型进行点分类。近年来，深度学习模型的进步使得研究人员将重点转向基于机器学习的模型，特别是深度神经网络，来对机载 LiDAR 点云进行分类。这些基于学习的方法首先将非结构化的 3D 点集转换为常规的 2D 表示，例如特征图像集合，然后采用 2D CNN 进行点分类。此外，这些方法通常需要计算额外的局部几何特征，如平面度、球度和粗糙度，以利用原始三维空间中的局部结构信息。然而，3D到2D的转换会导致信息丢失。在本文中，我们提出了一种方向约束的全卷积神经网络（D-FCN），它可以将原始三维坐标和激光雷达强度作为输入；因此，它可以直接应用于非结构化三维点云进行sem

添加pdf代下载 VIP点击下载文件