科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对机载激光点云数据中存在空间分布不均匀和地物尺度不一的问题，提出了一种融合注意力机制和多尺度特征的机载激光点云分类深度学习方法(AMMSF-Net)。该方法建立了局部空间位置注意力层学习局部邻域上下文特征，增加注意力跳连机制将解码器和编码器中的特征进行动态融合并有效保留细节信息；解码器中的多尺度特征融合通过将不同尺度的特征进行级联输入到多层感知机和条件马尔可夫层得到最后的语义概率图，实现了不同尺度与不同层级特征图之间的相关，增强不同尺度目标的表达能力。在Vaihingen数据集中AMMSF-Net取得83.8%的总体精度和70.4%平均F1分数，在DFC3D数据集取得了95.4%总体精度和88.5%平均F1分数，对比其他模型该方法在两个数据集都取得了更好的精度，这表明AMMSF-Net能有效提高点云地物类别区分的能力。
- 单位
