导读:本文包含了云分类论文开题报告文献综述及选题提纲参考文献，主要关键词:多尺度点云,叁维模型分类,深度学习,多尺度分类网络
云分类论文文献综述
白静,徐浩钧[1]（2019）在《MSP-Net:多尺度点云分类网络》一文中研究指出针对传统点云分类网络难以充分发挥卷积神经网络优势的问题,提出一种多尺度点云分类网络MSP-Net.首先,基于局部区域划分的完备性、自适应性、重迭性及多尺度特性要求,提出了多尺度局部区域划分算法,并以点云及不同层次的特征为输入,得到多尺度局部区域;然后构建了包含单尺度特征提取、低层次特征聚合及多尺度特征融合等模块的多尺度点云分类网络.该网络充分地模拟了卷积神经网络的作用原理,具备随着网络尺度和深度的增加,局部感受野越来越大,特征抽象程度越来越高的基本特征.最后将该算法应用在标准公开数据集ModelNet10和ModelNet40上,分别取得了94.71%和91.73%的分类准确率,表明该算法在同类工作中处于领先或相当的水平,验证了算法思想的可行性及有效性.(本文来源于《计算机辅助设计与图形学学报》期刊2019年11期）
宋德云,蔡来良,谷淑丹[2]（2019）在《基于颜色空间的矿区地表彩色点云分类》一文中研究指出矿区地表点云数据量大,地物比较丰富且地物间色彩差别明显,研究点云分类算法,对矿区点云数据的管理与分析有较强的支持作用。作者从点云数据的RGB颜色特征和HSV颜色特征两个方向入手分类矿区地表点云数据,选取各类地物的样本点,然后根据样本点计算的点云分类的颜色阈值,将观测的数据的颜色特征与样本所求的阈值进行比对分析,将属于同一类地物的彩色点云数据分离出来,实现彩色点云数据的分类。采用Riegl VZ-1000扫描仪采集矿区地表数据并采集照片,通过试验分析获得点云分类的完整率与正确率,证明了基于点云颜色特征分类点云数据方法的可行性、准确性以及高效性。为进一步的研究矿区的沉降监测及模型建立提供支持。(本文来源于《测绘通报》期刊2019年S2期）
张成伟[3]（2019）在《新一代静止卫星葵花-8的云分类研究及其应用》一文中研究指出云在天气系统演变以及气候变化等方面发挥着极其重要的作用,它不仅决定性地影响全球辐射能量平衡,也影响全球水汽输送。云的类型对于天气的状况和未来的发展变化有着明确的指示意义,如积雨云之类的对流云与大气不稳定性、湍流和雷暴有关。准确的云检测和云分类对水文、气候、天气等研究和应用有着重要意义。为有效提升保障华南区域航空安全与效率的能力,需要实现全天时高时空分辨率客观化定量化的云类和降水反演。随着计算性能的提升和海量数据的不断积累,反演算法已从线性数学、数理统计向人工智能的机器学习、深度学习发展。近年来投入业务使用的新一代静止卫星如葵花-8提供了更精细的时空分辨率和更多的光谱通道,是否有利于云类和降水的反演值得深入研究。有如下几个问题需要尝试解决:1)机器学习算法高度依赖于已标记好的真值样本,但云型分类真值样本稀缺;2)过去使用旧代卫星反演夜间云和降水的效果明显不如白天,使用葵花-8能否得到改善;3)现有的一些静止卫星云分类产品所需外部依赖资料繁多、耗时长,业务应用困难。基于葵花-8的光谱通道对于云的辐射特性,本文研究实现了如何结合CloudSat的云类别廓线产品反演全天时云类,和如何结合地面雨量站反演降水强度的方法。通过与独立数据的对比检验,表明本文得到的全天时云分类和降水分布结果合理可靠,夜间效果与白天基本一致,而且最终得到的算法外部资料依赖少,运算速度极快,非常适合应用于业务监测。不过算法对于大雨尤其是暴雨存在低估,需要在以后的研究中改进。全文主要内容如下:1、将CloudSat的云类别廓线产品作为云分类的真值,通过和葵花-8图像匹配样本、基于最大似然估计和随机森林等统计和机器学习算法、检验Nida台风案例结果,并讨论分析定量和定性存在矛盾的原因,得到了4个可分别用于白天和夜间的分类器。结果表明,有可见光的情况下的两种算法整体准确率都要比不使用可见光高出许多,最大似然估计算法从夜间最佳的78.95%提升到白天最佳的87.38%,而随机森林算法则从85.23%提升到94.23%。单纯从定量分析的角度看,随机森林比最大似然估计算法明显准确率要更高,夜间随机森林的准确率甚至已经和白天的最大似然估计效果相近。尤其是对于卷云的识别,随机森林的表现明显更为优秀。然而,从云分类结果图上看,明显最大似然法更合理。分析表明随机森林算法严格按照训练样本的自身分布去拟合决策树模型,因此对数据的质量更为敏感,如实反映样本缺陷。2、考虑到云类本身在光谱空间的聚类特性,而最大似然估计分类器通过多次聚类迭代运算——事实上对错误样本进行了纠偏订正——是合理的。提出了结合最大似然估计算法和随机森林算法的全天时云分类方法。通过与美国海洋和大气管理局业务云类产品的对比检验证明,该方法能充分发挥新一代静止卫星更多光谱通道的优势,也对样本本身可能存在的错误具备较高的容忍度,尤其是夜间云分类能做到接近白天的水平。该分类器运算速度极快,而且使用时只需要用葵花-8的数据,便于业务化推广应用。3、使用地面雨量计降水量作为真值来估计葵花-8降水等级,并与GPM(Global Precipitation Measurement)降水反演产品和地面雨量计进行了验证。由于用于建模、反演和检验的资料是高时空分辨率的(卫星图像保持0.025°的分辨率信息,实测降雨资料为10分钟雨量计降水),保证了该方法可以实现高精度的降雨反演。通过充足样本建立了较为合理的降水概率判识矩阵,因而能够比较准确地划分雨区与非雨区。结合云分类的结果进一步分析降水样本和云类的关系,实现了基于云分类结果和随机森林来反演降水等级的方法,得到了全天时一致的降水强度分类器。该分类器使用基于样本雨量平均值得到的判据来反演降水等级,分布与GPM产品大致一致,部分等级降水甚至比GPM产品略好。GPM校准降水资料一般要比探测时间落后3—4个月才发布,无法用于业务应用,分辨率也较粗,而本文提出的方法在时空分辨率和及时性上都是很大的优势。(本文来源于《南京大学》期刊2019-08-30）
赵传,张保明,余东行,郭海涛,卢俊[4]（2019）在《利用迁移学习的机载激光雷达点云分类》一文中研究指出为解决现有机载激光雷达点云分类方法存在难以在获得较高精度的点云分类结果的同时降低分类过程所需时间等问题,提出了一种利用迁移学习的机载激光雷达点云分类方法。首先,计算点云的归一化高程、强度和法向量叁个特征,通过设置不同邻域大小,利用所提出的点云特征图生成策略生成多尺度点云特征图;然后,利用预训练的深度残差网络从每个点的多尺度点云特征图提取其多尺度深度特征;最后,为了实现快速地训练,构建仅包含两层全连接神经网络模型,再利用训练好的模型对点云进行分类。两组ISPRS提供的标准点云数据集的试验结果表明:提出的方法所需训练时间少,分类结果的整体精度为89.6%,较ISPRS官网上所报道的最佳点云方法分类精度高4.4%。分类结果可为机载激光雷达点云的后续处理与应用提供可靠的信息。(本文来源于《光学精密工程》期刊2019年07期）
汪献义,邢艳秋,尤号田,邢涛,舒苏[5]（2019）在《基于近邻几何特征的TLS林分点云分类研究》一文中研究指出【目的】在地面激光雷达点云分类任务中多存在特征维度较高的问题,然而当点云数量较多,分类任务中构造较高维度的特征往往需要较多的计算成本和运行内存。为了解决这一问题,本研究提出用近邻点构造5个几何特征训练成熟分类器,以期在将林分点云分为地面、树干与枝叶3个类别的同时达到降低特征维度的目的。【方法】在构造特征的过程中采用近邻值为140的快速KDtree搜索近邻点,获得近邻点后利用其计算协方差矩阵特征值、法向量、曲率、方差和最大高程差构造5个几何特征训练分类器。为了检验本研究构造的特征在林分点云分类中的稳定性,分类器分别采用随机森林和xgboost做比较研究。本研究的实验数据均来自地面激光雷达扫描获得的单站蒙古栎人工林点云数据。【结果】使用随机森林和xgboost分类器训练的模型在测试集中正确估计样本数量和样本总量的比值分别为0.932 1和0.936 3。这两个分类器在地面、树干和枝叶这3个类别中的查准率达到0.97、0.93、和0.91以上,且在这3个类别中的分类结果中xgboost较随机森林均有千分级的优势。【结论】结果表明本研究构造的特征能够完成林分点云分类任务,在保证点云分类准确率的基础上,既减少了特征维度,又有助于提高特征计算效率,具有较高的稳定性。本研究的分类结果可为林分参数反演和生物量估计等研究奠定基础。(本文来源于《北京林业大学学报》期刊2019年06期）
钱婷[6]（2019）在《基于深度学习的机载点云分类研究》一文中研究指出在现代科学技术的不断发展和推动下,“智慧城市”,“数字地球”,“数字城市”等一系列新兴理念不断被提出,同时伴随着叁维激光扫描技术的日趋成熟,大规模城市数据的采集和获取变得更为简单和便捷,对这些数据的处理和分类是实现城市智能化分析的关键一步。尤其是机载激光扫描的大规模城市点云中包含大量对象类别和许多相邻或重迭的部分,这就为多目标的分类带来了极大的挑战。针对这个问题,本文围绕大规模城市场景的多目标自动化分类提取这一主旨,重点展开了以下几个方面的工作:首先对大规模城市机载点云进行预处理,然后基于近邻空间进行3D最近邻邻域的优化求解,对于每个点云,求解最近邻中的3D特征。类比3D特征的提取方法,将机载点云投影到二维xoy平面,基于2D最优圆邻域提取2D特征,利用基于滤波器的方法和信息增益策略度量进行特征筛选,然后将2D和3D特征进行横向组合,利用构建的卷积神经网络测试文中提出方法的有效性。实验结果表明:组合特征的整体分类效果和3D特征的整体分类结果分别为:94.12%和97.01%。由于AlexNet模型的稀疏特性使其能够充分学习到与训练数据相关的特征,为了进一步提高机载点云的分类效率,本文微调并使用AlexNet对组合特征矩阵进行分类识别,最终整体的精度能达到97.79%。(本文来源于《东华理工大学》期刊2019-06-14）
汪献义[7]（2019）在《基于几何特征的TLS林分点云分类研究》一文中研究指出地面激光雷达(Terrestrial Laser Scanning,TLS)可以获得高精度与高层次的几何数据,其已经广泛应用于林分参数提取、树干提取、单木分割与建模及生物量估计等研究。将地面激光雷达点云快速标记为地面、树干与枝叶叁个类别可为上述研究奠定基础,所以研究林分点云分类具有重要意义。本研究分别提出了基于特征选择的定近邻特征与动态近邻特征的逐点分类技术,同时提出了基于多尺度分割的点云分类算法。定近邻特征通过逐点计算160个近邻点特征获得;考虑到局部点云特征熵较小的点集叁维结构相对稳定,本研究在设定的近邻搜索数量区间内逐点搜索近邻计算特征熵动态确定最优近邻数量计算特征;在较小的体素空间中点云多属于同一类别,小尺度可将空间中分布较近的点云分割开,大尺度可以将连通域较大的分割到同一体素中,本研究引入了多尺度分割计算点特征,这样可有效提高特征计算效率。本研究的点云分类任务全部基于特征选择展开,所以在进行林分点云分类之前,本研究使用了基于xgboost分类器的特征选择技术从19个经验特征中选择了 6个能够保证分类器表现的特征。将特征选择获得的6个特征应用于基于定近邻特征、动态近邻特征与多尺度特征的林分点云分类中分类器的测试准确率分别为95.51%、95.19%与95.94%,试验表明本研究的点云分类方法可以应用地面激光雷达林分点云分类任务。(本文来源于《东北林业大学》期刊2019-06-01）
刘雪丽[8]（2019）在《基于局部空间特征的点云分类方法研究》一文中研究指出叁维点云数据所特有的空间结构信息为进一步提升视觉应用的精度提供了可能,因此吸引了越来越多研究者的关注。点云分类是点云数据处理的一个重要研究方向,也是一个具有挑战性的课题,相关研究的重点主要集中在以下方面:(1)提高点云分类算法的精度,(2)在保持精度的前提下提高点云处理速度。本文主要研究了点云精简算法、特征描述子构建方法以及对应的分类算法,旨在保持分类精度的条件下提升点云分类算法的速度。本文的主要工作如下:(1)针对当前点云精简算法中存在的精简效率不高、精简导致精确度降低的问题,本文提出了一种点云的非均分层方法及分层点云精简算法。首先利用点云的空间结构信息完成非均分层处理;然后计算各层的曲率信息并据此去掉分层中不重要的点,实现单层点云的精简;最后将精简后的各层点云进行拼接得到完整的精简点云。对比实验结果表明了本文提出的点云精简算法的有效性。(2)针对经典的点云特征描述子存在特征维度较高、计算效率不高的问题,本文提出了一种二值化几何特征描述子(BGFD)。首先利用特征重要性评价及特征冗余性分析选择出最优几何特征子集,对其进行二值化处理得到二值化特征表示(BGFD)。采用BGFD与经典描述子进行场景目标匹配的对比实验结果表明,本文提出的低维度、高效率的特征描述子保持了较高的描述能力。(3)针对高精度的深度学习点云分类算法存在模型训练时间过长的问题,本文提出了一种基于二值化特征描述的点云分类算法。利用二值化处理方法对点云的RoPS特征进行改进生成了二值化RoPS特征(B-RoPS),并与BGFD特征进行拼接形成融合的二值化特征描述,以此作为点云分类算法的输入特征,实验结果表明基于上述特征的点云分类算法在保持较高分类精度条件下提升了模型训练速度。(本文来源于《北京交通大学》期刊2019-06-01）
王旭娇,马杰,王楠楠,马鹏飞,杨立闯[9]（2019）在《基于图卷积网络的深度学习点云分类模型》一文中研究指出PointNet是叁维点云分类中具有代表性的研究成果,该模型开创性地利用深度学习模型对点云进行分类,取得了较好的效果。但是PointNet模型只考虑点云的全局特征而忽略每个点的局部信息,为弥补这个缺陷,提出基于图卷积网络的点云分类模型。在PointNet模型中插入一个kNN graph层,通过在点云空间构造k近邻图,利用图结构有效地获取点云的局部信息,从而提高整体点云分类准确率。分类实验在ModelNet40数据集上进行,对比不同近邻值k对输出精度的影响,结果表明在k取20时,分类准确率最高,达到了93.2%,比PointNet高4.0%。(本文来源于《激光与光电子学进展》期刊2019年21期）
李晓天[10]（2019）在《基于改进LBET和神经网络的机载LiDAR点云分类研究》一文中研究指出本文针对多特征融合的机载LiDAR点云分类中,样本数据多和样本选取时存在误差,导致分类速度慢和分类结果精度较低的问题,提出了基于改进LBET(Learning Based on Eigenvalue Transition,LBET)和神经网络的机载LiDAR点云分类方法。该方法选取地面高度、修复后的反射强度、影像分类结果、回波信息、高程纹理共五种分类特征信息经过改进LBET模型分析生成二进制信号,获取地物标准二进制信号和模糊信号,然后使用BP(Back Propagation,BP)神经网络训练标准地物二进制信号和识别模糊信号实现点云分类。与多特征融合分类比较该方法的处理时间较快并且精度明显提高。本文的主要贡献有以下几点:(1)对点云分类特征分析和处理,反射强度受仪器和外界的影响产生错误的值,反射强度应用到点云分类中效果较差,本文根据高程和反射强度使用相似性聚类算法对点云反射强度修复,对点云的高程纹理分析上,本文使用新的方法还衡量高程纹理,对地面高度的获取上,使用点到DTM(Digital Terrain Model,DTM)的距离作为地面高度。(2)提出了改进LBET和BP神经网络融合的机载LiDAR点云分类方法。实验验证了单一神经网络和决策树模型分类的优点和缺陷。本文对两种模型的进行优化组合,根据点云分类特征信息置信区间为依据,对分类特征信息进行分割和重组,在此基础上利用BP神经网络最终完成点云分类。(3)利用Kappa系数对分类结果进行评定。通过对比多特征融合分类结果、TerraSolid分类结果及本文实验结果,验证本文分类方法的可靠性和有效性。(4)在开源点云数据处理软件CloudCompare的基础上,本文对提出的算法进行编程实现。程序的主要功能有:点云的导入与显示、反射强度的修复、点云与影像的配准融合、BP神经网络分类器等。实验结果表明,本文提出的算法能够将点云分类为高大的树、建筑物、低矮植物、裸露的地表和道路,且Kappa系数平均精度为87.3%。与多特征融合的神经网络分类方法比较,改进LBET和BP神经网络融合算法点云分类精度较高并且该方法的分类速度较快。(本文来源于《长安大学》期刊2019-04-29）
云分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
矿区地表点云数据量大,地物比较丰富且地物间色彩差别明显,研究点云分类算法,对矿区点云数据的管理与分析有较强的支持作用。作者从点云数据的RGB颜色特征和HSV颜色特征两个方向入手分类矿区地表点云数据,选取各类地物的样本点,然后根据样本点计算的点云分类的颜色阈值,将观测的数据的颜色特征与样本所求的阈值进行比对分析,将属于同一类地物的彩色点云数据分离出来,实现彩色点云数据的分类。采用Riegl VZ-1000扫描仪采集矿区地表数据并采集照片,通过试验分析获得点云分类的完整率与正确率,证明了基于点云颜色特征分类点云数据方法的可行性、准确性以及高效性。为进一步的研究矿区的沉降监测及模型建立提供支持。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
云分类论文参考文献
[1].白静,徐浩钧.MSP-Net:多尺度点云分类网络[J].计算机辅助设计与图形学学报.2019
[2].宋德云,蔡来良,谷淑丹.基于颜色空间的矿区地表彩色点云分类[J].测绘通报.2019
[3].张成伟.新一代静止卫星葵花-8的云分类研究及其应用[D].南京大学.2019
[4].赵传,张保明,余东行,郭海涛,卢俊.利用迁移学习的机载激光雷达点云分类[J].光学精密工程.2019
[5].汪献义,邢艳秋,尤号田,邢涛,舒苏.基于近邻几何特征的TLS林分点云分类研究[J].北京林业大学学报.2019
[6].钱婷.基于深度学习的机载点云分类研究[D].东华理工大学.2019
[7].汪献义.基于几何特征的TLS林分点云分类研究[D].东北林业大学.2019
[8].刘雪丽.基于局部空间特征的点云分类方法研究[D].北京交通大学.2019
[9].王旭娇,马杰,王楠楠,马鹏飞,杨立闯.基于图卷积网络的深度学习点云分类模型[J].激光与光电子学进展.2019
[10].李晓天.基于改进LBET和神经网络的机载LiDAR点云分类研究[D].长安大学.2019