迁移学习驱动的小样本机载激光雷达点云高效分类

"这篇论文提出了一种基于迁移学习的小样本机载激光雷达点云分类方法，解决了传统深度学习方法在机载激光雷达点云分类中训练时间长、样本需求量大的问题。通过光谱信息补充、多尺度多投影特征图的生成及深度特征提取、池化操作和卷积神经网络的初步分类，以及图割全局优化策略，实现了高精度的点云分类。在使用少量训练样本（训练集中0.6%）的情况下，该方法的分类精度达到了94.9%，优于其他同类方法。" 文章深入探讨了如何利用迁移学习来优化小样本机载激光雷达点云分类任务。传统的深度学习方法在处理机载激光雷达数据时，通常需要大量的训练样本和长时间的训练过程，这限制了其在复杂场景中的广泛应用。为了解决这个问题，研究者们提出了一种创新的策略。 首先，他们通过补充光谱信息，结合点云数据的归一化高度、强度值和植被指数，构建了三通道点云特征图。这种特征图的构建旨在充分利用点云数据的多元特性，提高后续分类的准确性。 接下来，通过设定不同的邻域大小和投影方向，生成了多尺度和多投影的特征图。这种方法能够捕获点云在不同空间尺度和角度下的信息，增加了模型对环境变化的适应性。 随后，应用迁移学习的方法对这些多尺度、多投影的特征进行深层提取。迁移学习在这里的作用是利用预训练模型的知识，快速适应新的分类任务，减少了训练时间和对大量样本的需求。 进一步，通过池化操作，研究人员从提取的深层特征中抽取出全局特征，这有助于模型理解点云数据的整体结构。接着，使用卷积神经网络进行初步分类，利用其强大的模式识别能力。 最后，引入了图割全局优化策略，这是一种优化技术，可以进一步提升分类的精度。它通过寻找最佳分割边界，确保分类结果的最优。 实验结果表明，该方法在使用训练集中仅0.6%的数据进行训练时，分类精度仍能达到94.9%，优于国际摄影测量与遥感协会网站上已公布的分类结果和其他使用迁移学习的方法。这证明了该方法的有效性和高效性，尤其在处理小样本情况下的机载激光雷达点云分类问题上，具有显著的优势。