摘要
针对现有道路杆状物提取大多需要针对数据类型人工设计特征、泛用性差、自动化程度低等问题,本文提出一种基于改进PointNet++深度学习网络的道路杆状物语义分割方法,实现了对道路杆状物的提取.首先对原网络模型的感受野、分块大小等参数进行调整,使得该模型更适合道路点云数据;然后针对点云数据不平衡的问题,采用焦点损失函数作为模型的损失函数,使占比较少的类别得到充分训练;最后针对PointNet++网络提取特征时没有考虑邻域内各点特征影响关系的问题,采用邻域特征聚合模块融合邻域信息,提升该网络模型对点云特征的学习能力.为验证所提方法的有效性,使用改进后的网络模型在自建的道路点云组成的数据集上进行了试验,相对于经典PointNet++网络,杆状物类的分割精度明显提升,在简单道路和复杂道路上的交并比(IoU)分别提升了8.44%、15.25%,达到了98.88%、92.50%.
- 出版日期2023
- 单位合肥工业大学; 大地测量与地球动力学国家重点实验室; 安徽开源路桥有限责任公司; 中国科学院