文摘

快速三维激光点云的语义分割算法对于大场景移动信息测量系统具有重要意义,但点云数据是复杂的,生成障碍等问题,旋转不变性,稀疏,严重的阻塞,和非结构化数据。我们解决上述问题提出了随机抽样特征聚合模块ATSE模块,解决问题有效的聚合的特征在不同的尺度上,和一个新的语义分割框架PointLAE,有效presegments点云和获得良好的语义分割结果通过神经网络训练基于上述模块聚合的特性。我们通过培训验证算法的准确性Semantic3D,公开数据集大型户外场景,精度可达到90.3,而验证算法的鲁棒性Mvf CNN与不同的稀疏数据集的水平,精度可达到86.2,和Bjfumap聚合的数据我们自己的移动环境信息收集平台,精度为77.4,表明该算法对移动信息复杂的规模数据在移动信息收集的识别效果。

1。介绍

与激光雷达等传感器的快速发展,移动测量平台广泛配备激光传感器,它变得更加方便的获取点云数据从不同的网站。在农业和林业,点云是广泛应用于无人值守农田管理、农业和林业操作路径规划,城市园林建设规划和生物量估算。在城市环境中,广泛应用于城市建筑物的三维建模和无人驾驶和高精度的城市地图。在航空,它广泛应用于机载雷达高海拔映射和飞行轨迹规划,等。点云数据是巨大的和面临障碍等传统数据问题,旋转不变性,稀疏,严重的阻塞,和非结构化数据。要解决这些问题,研究人员探索点云处理方法。(1)传统voxelized深度学习方法和多视图CNN方法:首次应用于3 d卷积神经网络确定体素模型通过voxelized CNN方法20151- - - - - -3]。然而,巨大的增加计算和点云稀疏光栅化后的点云数据有限的发展(4]。李等人。5)提出了上述模型的稀疏的问题解决方案,但困难仍然存在大量的点云数据。多视图卷积神经网络三维形状识别(6)尝试的3 d点云或形状转换成二维图像和分类使用二维卷积网络。与二维卷积研究的进一步发展,这种方法取得了最好的识别结果,但很难扩展这个方法3 d移动采集等任务场景分辨率和点云分类。与此同时,光谱cnn (7,8)方法是目前有限的认识对象与类似的丰富的电网结构,目前还不清楚如何应用nonshaped对象的方法。点云受到障碍等问题和空间旋转不变性,和不规则空间关系分类或分段时存在。因此,现有的框架不能直接应用于图像分类和分割点云。多体素途径(网格)和多视图深度学习框架也被开发出来,效果很好。然而,这些方法不可避免地改变原始数据特征,导致不必要的数据丢失,而计算工作量是巨大的,难以适应大量的点云数据。(2)点深度学习网络:随着深度学习的发展,越来越多的人尝试使用深学习算法直接对点云。研究人员提出了一个空间仿射变换矩阵来解决点云旋转通过增加数据维度和对称的网络结构,并提出了一种空间仿射变换矩阵来解决点云旋转问题提出Pointnet [9)神经网络来解决点云障碍问题。Pointnet只执行单一的特征提取。Pointnet提取本地信息的能力模型的远远不够,只有特征提取的一个单点的坐标。团队提出了Pointnet + +网络(10),它使用快速点抽样(FPS)和多尺度分组(味精)提取本地信息。然而,为了这个目的,这些行动的规模非常大。提出了多分辨率分组(著)方法充分提取点云特征,进一步提高分类和分割。为了解决上述问题,使用多尺度特征融合方法。锥体多层点云特征提取网络,Pointsift,也提出了解决点云障碍问题和室内提取点云特征有效(11]。PointCNN网络构建方法被称为“x-transform”来解决问题,卷积操作不容易应用于不规则和无序点云数据12]。这种网络主要使用将采样策略。大多数现有的算法使用将采样策略,计算昂贵或内存密集型。目前,这种方法被广泛使用。最远的点采样要求超过200秒downsample 100万点的点云原规模的10%。点深度学习依赖于计算昂贵的字距调整或图施工。大多数现有的方法有一个相对有限的感知领域当提取特征和难以有效地、准确地学习从大型复杂的几何结构信息领域点云。(3)基于深度学习网络为点云:最近的工作人员已经开始尝试直接处理大规模点云。例如,抢断(13,14)使用大规模点云的特征描述的景点,和方法如FCPN [15)结合的优势体素和点处理大规模点云。虽然这些方法取得了较好的分割结果,其中大部分是需要太多的预处理计算在实际应用部署或内存占用。王等人提出了一个PCCN [16基于参数连续卷积层网络。内核的数量在这一层是由全局参数化和跨连续的向量空间。休斯等人提出了一个内核点整整卷积网络(KP-FCNN)基于内核卷积(KPConv) [17]。3 dcnn - DQN-RN [18是有效的语义分析大规模点云。网络使用3 d CNN网络学习空间分布和颜色特征,然后使用DQN定位类对象。缝特征向量被送入残余RNN获得最终的分割结果。这些方法仍然是知觉的领域范围有限,难以有效细分为点云与不同的稀疏场景。

的大规模实地采集的点云数据遥测系统,它面临的问题场景的复杂性,超大的计算,和不均匀稀疏除了障碍的固有特点,旋转不变性,稀疏,严重阻塞,和非结构化点云。上面的方法受到大规模处理不足,过度的参数范围,和在实践中分割精度低。因此,我们建议点云PointLAE深度学习框架,它由多个特征提取模块的ATSE PointLAE更深的学习网络。创新点如下:(1)大规模场景下点云采样问题,提出了模块ATSE快速实时downsample和最大化的有效信息保留的几何特征点云。(2)PointLAE设计一个神经网络,有效predivides ATSE的点云模块特性,推测的感觉范围点云过分割结果的基础上,减少所需的内存和时间操作,达到好的结果稀疏和密集的点云。

2。方法和材料

在本节中,聚合模块(ATSE)的细节特征。首先,我们介绍了特征点云的计算;然后,选择ATSE特性。最后,PoingLAE,神经网络的语义分割点云与高性能、介绍。

2.1。功能整体模块ATSE

针对大规模点云场景的数千万米区域,由移动激光雷达,收集应用深度学习方法直接在数据并直接进入深入学习网络非常困难的任务。因此,有效地减少了大规模点云是一个重要的过程。七等人使用抽样最远的策略生成pointnet FPS (10],和Landure Simonovsky [13)使用的图形方法预处理Superpoint图。这些方法计算大型与FPS方法相比。图形方法具有较高的内存占用的GPU,以及常规的体素的影响砧板的接受域点云计算速度慢。随机抽样的方法计算成本低,GPU内存占用小,运行效率高。同时,输入的数量不需要点云,即使任何大小的点云可以直接输入到网络培训。然而,反等人注意,随机将采样的方法导致了缺乏有效信息的点云。因此,我们想要构建冗余的特征点云来减少缺乏有效的信息。首先,整个大规模点云空间随机downsampled, K近邻邻里空间的再发现每个点P资讯搜索算法,和几何特性和近邻的位置和相对位置进行编码。限制计算工作,我们只定义的四个局部几何特征描述符描述结构的空间特性,线性,平面化,散射,点云的垂直。在每个社区资讯,我们计算点云协方差特征值λ1≥λ2≥λ3,根据最优的原则社区Weinmann et al .,在附近的大小选择的结果(λ1 /λ,λ2 /λ,λ3 /λ),是epigenetically最小化19]。这些特性允许当地社区是最好的几何描述通过下列向量。

我们补充完整的方差的计算公式,具有较强的描述能力的点云表面波动的程度。例如,完整的方差是更高的树和草比人工表面和建筑物。垂直的描述符:垂直的性质最好的社区是重要的区分道路从海拔和多边形和点云的垂直对象之间是相似的。

前三个功能集合体被称为点云的维度属性。垂直特征描述符也从上面的特征向量和特征值。让一个1,一个2,一个3点云之间的差异和相关的三个特征向量λ1,λ2,λ3所示。初选的向量定义这三个向量作为特征向量的坐标绝对值的总和是加权特征值。这个向量的垂直分量是用来描述一个资讯点的垂直社区。方便把水平附近和线性垂直社区因为它达到最低水平附近(等于零),其最大(等于1)线性垂直社区。如图1(一),点云几何特征描述符是semantic3d数据集的可视化,红色代表点云的线性特性,绿色代表平面性特性,和紫色代表完整的方差特征问:这描述点云表面起伏的能力,表现在低植被和高植被。如图所示,局部特征描述符可以更好地捕捉几何的点云。在图中,青色代表的垂直特征的描述符点云,这更好地反映点云的垂直的几何性质。此外,激光雷达扫描还表现在校园的推广Bjfumap数据集如图1 (b)和1 (c)。红色的线性特性描述道路边界和几何特性,比如建筑边界。平面功能的绿色是一种很好的表示平面几何特性。紫色代表完整的点云散射特性差异特性问描述点云表面波动能力,代表了树木,等等表现良好在代表建筑墙等特性。可以使用这四个特性不仅在功能聚合模块如图2,但也在随后的神经网络全局优化hypersegmentation能量。线性:描述拉伸的程度附近的点云;平面性:评估其适合飞机;散射:对应于一个球形邻域和描述各向同性的特点。

构建冗余点云特征减少丢失的点云信息k-machine将采样,将点云的几何特征描述符到随后的深层神经网络,我们建议关注聚合的模块点云特征:ATSE模块。

首先:找到最近的K邻域点在每一个点的欧几里得空间再使用算法,计算几何特征描述符 , , , , 每个社区中心和点的几何特征描述符根据方程(1)- (3)。然后,几何特征描述符 , , , , 每个社区和社区中心的点几何特征点的连接与简要分享权重获得一个新的点功能 。这个特性是一个冗余的特征点,可以有效降低损失的有效信息随机抽样过程。concat的方法,连接的点几何特征描述符 , , , , 获得点特性 。

其次:结合上述特点,max-pooling方法可以使用。然而,这种方法会导致很多丢失有用的信息,我们希望自动学习使用方法,注意选择有用的信息聚合1连接的特性之一。在这里,我们采用的方法xgboost [20.)分析结果不同的模型特征的贡献。贡献值的计算是通过形状。在方程(6),我们采用功能α学习附件得分为每个特性和一个单独的附件为每个分分享中长期规划的可学的参数。使用这个软件的面具,自动选择功能,在邻里特征点级别加权求和,所示(2)。注意力聚集的云功能模块:ATSE模块v1。

第三:点云是使用许多不同的方法获得。目前,激光雷达是主要的方法获取点云在一个大场景环境,如在户外,激光雷达获取的点云有了一个重要的特性,反射强度。我们补充上述特性与点云的反射强度和激光反射强度。虽然有一些点之间的距离和扫描仪,反射强度主要受表面材料的扫描对象。这也是一个重要的点云分类功能。

同样地,我们发现最近的K邻域点在欧几里得空间每一点再使用算法,我邻居的意思是聚合的特征融合计算反射强度特性。我们叫这个模块ATSE v2。

ATSE我们目前点云特征聚合模块,为优化聚合功能,计算ATSE v2 ATSE 1,添加了重要信息的激光反射强度激光雷达获得的数据在户外,稍后会提到的实验,以有效改善点云分割的准确性和鲁棒性,但对点云数据没有反射强度信息,如图像生成,它可以处理ATSE v1。

我们介绍点云特征聚合模块ATSE骨料特性优化。ATSE v2,相比ATSE v1,将激光反射强度的重要信息添加到户外激光雷达获得的数据ATSE v2提到在以后的实验,以有效改善点云分割的准确性和鲁棒性。然而,对点云数据没有反射强度信息,如图像生成、ATSE v1可用于处理。

2.2。语义PointLAE分割框架

如图3,点云输入通过预设PointLAE块批处理,通过旋转网络网点云旋转消除旋转不变性的点云,然后通过ATSE模块获取功能与D维度,除了x,y,z3 d特征固有的点云n×(3 + D)。如果处理继续通过后续模块Pointnet此时,接受域Pointnet将发生的问题,考虑到的输入是一个大规模的场景。Pointnet难以获取当地的几何特性。因此,它是至关重要的显著增加每个点的接受域。输入点云的整体几何细节预计将被保留下来。

均匀细分:算法的第一步是把点云分成简单但有意义的小区域。我们的模块可以生成高质量的点云oversegmentation,相当于语义presegmentation强劲,使用以下属性:(1)对象nonoverlap:点云在不同的对象是不重叠的,特别是当代表的语义是不同的。(2)边缘性:hypersegmented集群的点云与对象之间的界限。

将采样后的点云被称为一个无向图G= (V, e), V代表一个节点。我们与它的局部几何特征向量和R(维数和垂直,几何特征描述符计算部分1使用图)和计算分段常数G构造函数。这是定义为一个向量 最小化以下Potts的分段能量通过优化后的能量函数(21]。

这可以解决能源优化0-cut追求德鲁提出的算法(21]。与快速和有效的效果,部分的粒度将增加点云变得更加复杂。图4显示了单个数据集的最优hypersegmentation能量的影响。64 -维点云特征如图3分割,(8)能源优化分割后,成吗N大小不同的点集,我每组内分。不同于Pointnet + +,抽样方法的多个逐步将采样,我们应用一种新方法的接受域大小设置。因为上述能源优化分割的特点,每个块点云是语义上均匀。点云的密度在一块计算,和点云的接受域的大小是由计算点云的密度。

采用更小的接受域块的点云密度提取复杂点。云的形状几何块点云是稀疏的,一个更大的接受域采用更好的捕捉点云的特征。最后,输入输出特性F Pointnet培训,然后通过完整的连接层来实现分类的结果。

在本节中,我们提出PointLAE,使用结果提出了部分3进行点云的能量熵hypersegmentation为基础,根据hypersegmentation的结果,提出预设点云接受域的方法。这种方法可以更好的捕捉点云局部特征点云在不同程度的疏水性,最后,网络训练后,可以取得良好的分割效果。

我们64 -维点云分割功能如图3能源优化分割后,米大小不同的点集,我点在每一个点集,MLP的共享参数。

在每个细胞块lhyper-segmentation,他们有相似的点云内部有效的特性,所以在每个执行深度学习。首先,网络是为了经历T净,点云是旋转和转换的目的,消除点云障碍,然后MLP与共享参数,up-dimension获得一个1024维的特征向量,然后在每个集群max-pooling得到1024维当地每个集群的特点,最后再次max-pooling的地方特色米集群米×1024的全球特性N。复制的全球特性n次,concat 64维的特征向量n×1024维的全球特性n×1088点特征值,延时后,划分点云米类。最后,最近邻插值法用于插入邻近点,完成整个场景的点云分割。与Pointnet直接使用的不同,我们获得每一块之间的相似的特征,所选地区的这些特性是不同的,和获得的知觉领域也不同。hyperpoint地区有大量的家庭,特性描述更具体,正好相反,少数的地区,我们使用这个方法来解决知觉领域的不同大小不同的稀疏区域,同时,有效的几何特征的ATSE作为网络的输入,而这个高维输入网络具有更好的性能和更有效的学习。然后,最后获得的分割结果是上述插值公式。

3所示。结果与讨论

3.1。3 d雷达点云数据集

在本节中,我们评估该方法的性能在第三部分的3 d点云分割。我们简要描述点云数据用于实验,该方法的实现。然后,简要描述采用的评价指标。最后,我们将我们的分类结果与相关先进的分类方法。(1)3 d雷达点云数据集:数据集可以分为两组根据3 d激光雷达获取方法和主要应用(3 d激光雷达数据的语义分割)。(2)静态数据集:扫描仪收集数据从静态的角度来看,这是方便捕捉静态场景如街景。Semantic3D [22]目前最大、最受欢迎的静态数据集。每一帧是一个单帧使用地面激光扫描仪测量从一个固定的位置。地面、植被和建筑物的主要类别包括这个数据集,用更少的移动对象相比较。这个三维场景语义包含农村和城市郊区场景和三个独立的类别。每个类别的比例也相差很大。大量的数据有利于训练深度学习模型。semantic3d显示数据集的例子与点云数据标签值从左到右的顺序反射强度、RGB颜色和类别。(3)序列数据集:帧序列从移动设备获得的点云数据。使用的算法也是测试数据集Mvf-CNN (23]。场景包含的一部分semantic3d和激光点云从3 dslam背包收集装置,这是稀疏的。情形B,数据格式的X,Y,Z,我,R、B包括酒吧、建筑物、树木、道路照明、交通标志、汽车、电线、塔,和行人。情形C包含大量噪声与B相比,颜色信息和对象不完全非结构化点云数据情形C有四个类的对象,汽车,树木,行人和建筑。场景D是一个城市风光扫描使用TLS扫描仪和来自屋顶。(4)Bjfumap数据集:高精度点云数据通过激光扫描仪可以方便的3 d描述对象的一方面,但同时,它需要占用大量的存储空间以及需要高处理速度。另一方面,由于扫描精度,增加点云密度也急剧增加,点云数据的处理带来了很大的挑战。本文中使用的点云数据测量的专用设备研究中心北京林业大学,我工作的地方。为了获得这种全景,总共12测量了在不同地区和不同角度的北京林业大学的主楼,和测量样本包括球形灌木,树,草,一步墙壁,建筑,和其他目标。森林环境的多维激光点云全景信息如图4,这是与Geomagic软件打开后的结果。缝合后你可以看到12个一起测量的结果,仍有超过1900万点由在整个点云数据后初步抽样过程。我们要用的是森林植被资源环境除了建筑物和道路,包括purple-leaved球根状的灌木、小绿叶球状的灌木,大的绿叶球根状的灌木、树木、建筑物、和步骤选择与植物接触障碍如石头森林里的林下叶层环境共4类。

我们设计了一个行人移动背包使用16-line激光雷达和激光雷达平台的IMU融合。以闭环方式记录下了背包行走在北京和扫描一个校园环境通过壤土的大满贯施工方法,包含建筑、植被、低高植被,地面上的四个目标。在4.2 b,机载激光雷达大满贯系统设置使用16-line激光雷达和两个生病的511激光雷达点云注册,通过大满贯和IMU结合构建一个映射为建设收集点云数据,高植被,植被低,校园和灌木。

行人移动背包激光雷达平台的目的是通过使用16-line激光雷达和IMU的融合。如图5,记录下了背包行走以闭环方式和扫描在北京校园环境通过壤土的大满贯施工方法,包含建筑、植被、低高植被,地面上的四个目标。机载激光雷达大满贯系统设置使用16-line激光雷达和两个生病的511激光雷达点云注册和结合IMU建立地图通过大满贯收集点云数据建设,高植被,植被低,校园和灌木。

在本节,三个实验中使用的数据集。语义3 d,一个大型户外点云数据集;Mvfcnn,数据集用于验证我们的方法的性能在不同的疏水点云和我们自建Bjfumap数据集。

3.2。实现和评价指标

算法的详细实现描述如下。选择下表所示的hyperparameters,和一个包含一个NVidia GPU 1080 ti双显卡是用来执行CUDA python3.7加速度计算和构建开发环境,pytorch1.0 ubunta18.04。参数设置表1。点云具有旋转不变性的特性,和日期由随机扩增旋转周围的点云z设在前培训。辍学也执行随机的部分点云使用的训练方法训练集与随机辍学0.3,0.5,0.7。执行随机辍学数据在每一个时代训练能有效地提高培训的推广过程中,允许算法表现良好在稀疏的点云。

我们跟着semantic3d的评价指标,应用回忆借据,每个类的借据,联合的十字路口,和总精度OA评估使用的数据集,在那里,是样品的数量预测类j从类我组织结构。每个类别的评价指标,OA的整体精度评价指标集。

3.3。部分实验和分析

在本节中,semantic3d数据集,mvfcnn数据集,我们bjfumap数据集用于测试。首先,我们的数据进入PointLAE讨论,我们执行一个hypersegmentation基于ATSE的聚合功能模块。结果如下所示。统计得到的三个数据集后,语义的3 d数据集用于训练,以及mvfcnn数据集,在稀疏的点云是混杂着密集的点云,和我们自己的获得激光激光雷达数据集,bjfumap。PointLAE v2 semantic3d中使用数据集,bjfumap数据集和PointLAE v1 mvfcnn数据集(表中使用2)。

上面的表格显示了训练时间统计,可以看出总时间,pointnet2相比,显著提高网络的计算时间。我们训练有素的PointLAE三个数据集。第一行是semantic3d数据集,第二行是mvfcnn数据集,第三行是我们bjfumap数据集。的特性提出的ATSE模块应用于oversegmentation点云数据,导致结果如图6。每一种颜色代表不同的oversegmentation类和域分成多段中可以看到几何复杂的地区。同样的,稀疏的点云分成更多的部分。为每个数据集分割的效果也不同。

我们在semantic3d训练数据集与PointLAE叉作为损失函数。Semantic3d场景被用于训练,如图7遍历500年时代,最后,损失率是适合0.21。在前一小节提到的硬件和配置中使用了培训过程。如表所示3,训练时间缩短而pointnet + +。培训效果的可视化图所示8。第一行是可视化的标签,第二行是我们的培训结果可视化。精度评估培训结果,如表所示3从上一小节中,我们采用的评价指标来评估培训结果。的总体精度与mIoU OA达到90.3 68.7,表现良好的目标,如高植被,植被低,和汽车。

模型测试在不同的稀疏的点云Mvfcnn数据集,如图9和细分可视化图所示10。地面事实是第一行,第二行显示的结果分类标签。这个数据集包含一个点云从semantic3d的一部分。也有稀疏的点云的原始作者训练这个数据集。同样,我们训练的模型在外加剂和稀疏场景3执行分析。如表所示4、对比Mvfcnn 3 dcnn [24]提出的原创作者,我们的模型有效地提高整体精度,在高植被中表现得很好,如树木,和较低的植物,灌木等,提高整体精度(表5)。

我们测试有没有这种款式特大号的场景点云注册获得通过大满贯Bjfu数据集,如图11场景1,左边是背包收集的点云激光雷达和右边的场景2是车辆收集的点云激光雷达,原报告点运动没有RGB信息,我们标签4类,分别和训练使用Pointlae v1和v2 Pointlae Pointnet + +,我们的网络表现的更好。后增加反射强度作为输入功能,我们的网络PointLAE v2表现好于PointLAE v1。图8是训练的结果的可视化过程。表5反映出的总体精度评价方法。图8是一个混淆矩阵来评估分类的正确性。

3.4。实验和分析ATSE模块

我们计算的所有特性的B部分中提到semantic3d数据集和mvfcnn数据集,以及我们bjfumap数据集,并根据输入的ATSE v1模块,它不包含PointLAE反射强度,称为PointLAEV1,在我们的缩写PointLAEV2 ATSE v2反射强度信息模块。使用bjfumap数据集作为一个例子,我们分析我们的ATSE模型的有效性通过形状25]。如图12、情节的世鹏科技电子值为每个点云特征为每个示例,它允许一个更好地了解预测的总体模式和允许检测离群值。每一行代表一个与世鹏科技电子特性值在水平坐标。一个点代表一个样本的颜色表示特征值(红色高,蓝色低)。每一行代表一个功能和横坐标是形状的价值。这个图表显示了ATSE功能将有积极的影响的预测。

如图10,价值是一种概括的交互世鹏科技电子价值高阶相互作用。树模型实现了一个快速、准确2乘2交互计算,为每个预测,它返回一个矩阵对角线上的主效应和交互效应是对角线。这些值通常揭示有趣的隐藏关系(相互作用),也可以执行一个分析多个变量来描述变量之间的相互作用与目标值下两个变量之间的相互作用的影响。红色显示的更大的价值功能本身,蓝色表示特性本身的值越小,同时,世鹏科技电子支持单个样品的分析。我们选择更少的可辨认的低矮灌木。

如图13,上面的“解释”显示,每个点云的基本功能都有自己的贡献从基础价值驱动模型预测到最终模型输出;把预测的特性被显示为红色,和特性,降低预测则显示为蓝色。蓝色表明特征的贡献是负的,和红色的表示特性的贡献。文学是正的。红条是我们最长的ATSE特性,其次是反射强度特性,还演示了这个功能的重要性的反射强度的分类模型。我们得出结论,通过以上分析,ATSE模块可以有效地聚合有效特征对分类有很大的影响,这样ATSE特性预测作出更大贡献。

4所示。结论

摘要pointLAE、点云的语义分割网络基于功能聚合和能量优化优化,提出了大规模的3 d点云处理空气崩溃。它由两个重要模块。第一模块,点云的多维特征计算和优化功能聚合选择创建的最优特征点云。第二模块,点云高效presegmented基于优化的特性和最佳的功能是由一个oversegmentation方法基于能量函数。通过神经网络和训练啊。最后,Pointnet和完全连接层是用来获得分割结果。室外大规模点云数据集的实验结果(semantic3d mvfcnn数据集,Bjfumap)表明,PointLAE可以取得更好的语义分割结果。其总.77.4%准确度为90.3%和86.2%,最后是68.7%和86.2%,收于73.75点。与其他点云深学习网络相比,我们的算法适用于复杂和大型的场景,是健壮的稀疏和不均匀的点云采集的激光雷达精度不同。

在未来,我们应该考虑如何加快hyper-segmentation模块的效率,获得更好的语义分割结果通过优化神经网络结构。该方法将被转移到其他应用领域,如农业图像识别,温室环境时间序列预测,食品安全风险评估,和图像识别等。26- - - - - -34]。

数据可用性

使用的数据来支持该研究可从相应的作者。

的利益冲突

作者宣称他们没有利益冲突的报告对于本研究。

确认

本文得到了研究、开发和示范流体固定植被恢复的关键技术国家沿着丝绸之路(No.2016YFE0203400-04)和中国国家关键技术研发项目(2021号yfd2100605)。