基于卷积神经网络的LiDAR数据分类方法研究
Study on LiDAR Data Classification Based on Convolutional Neural Network
激光雷达(Light Detection and Ranging,LiDAR)系统是获取高分辨率数据的有效技术,其获取的数据广泛应用于地形测绘和城市规划等重要领域,在众多领域中一个基本任务就是地物分类.但现有的特征提取方法主要针对地物某一方面的特性,利用线性或非线性的方法人为指定提取的特征且不易调整参数.对于深度学习而言,它可以让计算机自动地学习分类任务需要的特征,并将该过程融入模型训练的一部分,从而进一步提高分类精度.因此本文重点研究并改进基于卷积神经网络的LiDAR数据分类方法.本文主要内容包括:首先从LiDAR数据特性着手回顾其发展历程,介绍了几种典型LiDAR数据特征提取与分类方法,给出不同方法之间的差异性和使用场景,并阐述了分类的评价标准,为本文后续章节提供理论基础.其次,设计并实现了基于卷积神经网络LiDAR数据的分类方法,提取出LiDAR数据的鲁棒性特征.并且将卷积神经网络与形态学操作相结合,与传统的支持向量机方法作对比,验证该方法的优越性.在此基础上,对卷积神经网络的各个模块研究后引入新的激活函数SiLU,在一定程度上解决了网络在训练过程中部分神经元失活的问题,提高了网络的稳定性.最后,详细研究了基于空间变换网络的LiDAR数据分类方法.因为传统卷积神经网络是按经验或实验选取固定的矩形窗包含地物周围信息,但是遥感地物目标在大小、方向和尺寸上存在很大差异,在这里结合了空间变换网络,该网络可对地物目标实现旋转、平移、缩放的功能,使其更适合后续卷积神经网络的处理.另外,将空间变换网络与多属性断面操作相结合,提取LiDAR数据的周围邻域空间信息特征,实验表明,与多属性断面相结合的空间变换网络表现出更好的分类性能.
- 作者:
- 何欣
- 学位授予单位:
- 哈尔滨理工大学
- 专业名称:
- 通信与信息系统
- 授予学位:
- 硕士
- 学位年度:
- 2019年
- 导师姓名:
- 王爱丽
- 中图分类号:
- TN958.98;TP183
- 关键词:
- 激光雷达数据;卷积神经网络;形态学操作;多属性断面;空间变换网络
- LiDAR data; convolution neural network; morphological profile; multi-attribute profile; spatial transformation network;