【目的】传统的树木枝叶点云分类模型结构与特征过于复杂,存在稳定性差、精度低、模型过拟合及计算成本高等问题。研究以阔叶树青冈(Quercus glauca)地面激光点云数据为基础,提出一种改进的分类回归树(classification and regression tr...【目的】传统的树木枝叶点云分类模型结构与特征过于复杂,存在稳定性差、精度低、模型过拟合及计算成本高等问题。研究以阔叶树青冈(Quercus glauca)地面激光点云数据为基础,提出一种改进的分类回归树(classification and regression tree, CART)枝叶点云分类模型。【方法】首先根据点的邻域特征构造特征描述子,确定邻域搜索参数的最佳取值。通过逐步引入变量和调整决策树模型结构实现对分类回归树模型的改进。将改进后模型的分类结果与Logistics回归和K近邻模型进行对比。【结果】特征描述子作为变量引入后,模型测试数据分类准确率有所提升,比Logistics回归和K近邻模型分别高出13.1%和13.6%;改进后的分类回归树模型准确率有较大提升,稳定性好且模型大小显著降低,模型大小较改进前减少了99.9%,数据训练时间仅为调整前的51.3%;改进后的方法在树干和树叶上的综合评价指标均在0.9左右,差距小于0.001,无过拟合现象。【结论】改进的CART模型具有较高的精度,在小样本上也能取得较好的分类效果,稳定性好。研究结果可为地面激光雷达枝叶点云精准快速分类提供参考。展开更多
文摘点云数据的无序性、非结构化、离散的特点使得点云分类仍具有挑战性,针对点云特征提取中无法捕获各点之间的局部结构信息和各区域之间的空间信息的问题,提出了一种自注意力与边卷积的点云分类分割网络——Self Attention DGCNN。Self Attention DGCNN云分类分割网络首先将单层边卷积和自注意力机制相结合,分别提取点云数据的局部特征和上下文特征,然后将这两部分特征进行融合传递到下一层再进行特征抽取,并将各层获取的特征加入到全局特征表示中,从而加强物体整体特征的捕获。在ModelNet40数据集和ShapeNet数据集上分别进行了点云分类,部件分割实验。实验结果表明,在ModelNet40数据集上,Self Attention DGCNN网络的总体精度(OA)达到了93.5%,平均精度(mAcc)达到了90.8%。在总体精度上,相较于PointNet、PointNet++、动态图卷积(dynamic graph CNN for learning on point clouds,DGCNN)分别高出4.3、2.8、0.6个百分点。在ShapeNet数据集上的平均并交比(mIoU)达到了86.1%,相较于PointNet、PointNet++、DGCNN网络分别高出2.4、1.0、0.9个百分点,相比其他深度学习网络也有不同程度的提高。
