期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于投影注意力和高程注意力的机载LiDAR点云语义分割
1
作者 李龙威 刘晓栋 +3 位作者 陈辉 杨礼平 赵立科 张卡 《地球信息科学学报》 北大核心 2025年第11期2684-2700,共17页
【目的】近年来,机载LiDAR点云数据的应用日益广泛,其语义分割是实现三维场景理解的重要环节,但现有部分分割方法存在一定的缺陷。例如,基于局部聚合的PointNet++和KPConv等方法难以有效捕捉长距离依赖;而引入Transformer等全局注意力... 【目的】近年来,机载LiDAR点云数据的应用日益广泛,其语义分割是实现三维场景理解的重要环节,但现有部分分割方法存在一定的缺陷。例如,基于局部聚合的PointNet++和KPConv等方法难以有效捕捉长距离依赖;而引入Transformer等全局注意力机制虽能扩大感受野,但其高昂的计算成本不适用于大规模机载LiDAR数据;同时,多数方法未能充分利用机载数据中蕴含的丰富高程信息。【方法】本文提出了一种融合投影注意力和高程注意力机制的点云分割网络(Projection Attention and Elevation Attention Network,PE-Net)。首先,为实现高效的全局依赖建模,投影注意力模块将传统自注意力中的键和值投影至一个低秩子空间,从而以线性计算复杂度捕捉长距离关系。其次,为充分利用机载数据的垂直结构先验知识,高程注意力模块直接从点的Z坐标学习注意力权重,显式地增强了模型对地形变化的敏感度。最后,局部-全局特征增强模块通过并行的最大池化与平均池化操作聚合了多尺度上下文信息,实现了局部几何细节与全局语义的深度融合,有效提升了对复杂空间结构的表达能力。【结果】利用ISPRS Vaihingen3D和GML等主流机载LiDAR点云数据集对本文方法进行了验证,实验结果表明:PE-Net在ISPRS Vaihingen3D数据集上取得了82.6%的OA分数和72.1%的Avg.F1分数,在GML数据集上则达到97.0%的OA分数和72.8%的Avg.F1分数;同时,在LASDU数据集上也展现出较优的分割结果。与基线方法KPConv相比,PE-Net在GML数据集上的OA分数和Avg.F1分数上分别提升了7.0%和20.4%。【结论】相较于现有主流方法,本文提出的PE-Net在总体精度和Avg.F1分数上均取得了显著提升,证明了PE-Net在复杂三维场景点云语义分割任务中的有效性和鲁棒性。 展开更多
关键词 机载LiDAR点云 语义分割 投影注意力 高程注意力 特征融合 深度学习 长距离依赖 kpconv
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部