车载点云数据语义标注是道路场景语义分析和理解的前提,该文提出了结合分割算法和图卷积网络的车载点云分类方法。首先利用具有噪声的基于密度的聚类方法(densitybased spatial clustering of applications with noise,DBSCAN)将点云分...车载点云数据语义标注是道路场景语义分析和理解的前提,该文提出了结合分割算法和图卷积网络的车载点云分类方法。首先利用具有噪声的基于密度的聚类方法(densitybased spatial clustering of applications with noise,DBSCAN)将点云分割成点簇,并以点簇为节点,相邻点簇构成边,节点和边形成图;然后利用图卷积网络对图节点进行半监督分类,得到点云中任一点的类别标注。实验表明,所提方法以点簇代替原始点云,极大减少了算法处理的数据量;半监督图卷积网络模型顾及了点云数据的上下文关联,在少量标注样本的情况下,能够获得较高的分类精度,场景简单的实验数据分类精度可以与Pointnet++模型相当,场景较为复杂的实验数据分类精度与Pointnet++模型相差在6.7%以内。展开更多
文摘车载点云数据语义标注是道路场景语义分析和理解的前提,该文提出了结合分割算法和图卷积网络的车载点云分类方法。首先利用具有噪声的基于密度的聚类方法(densitybased spatial clustering of applications with noise,DBSCAN)将点云分割成点簇,并以点簇为节点,相邻点簇构成边,节点和边形成图;然后利用图卷积网络对图节点进行半监督分类,得到点云中任一点的类别标注。实验表明,所提方法以点簇代替原始点云,极大减少了算法处理的数据量;半监督图卷积网络模型顾及了点云数据的上下文关联,在少量标注样本的情况下,能够获得较高的分类精度,场景简单的实验数据分类精度可以与Pointnet++模型相当,场景较为复杂的实验数据分类精度与Pointnet++模型相差在6.7%以内。
