基于迁移学习的少量样本机载激光雷达点云分类

简介：
本研究提出了一种基于迁移学习的方法，有效提升了少量样本条件下机载激光雷达点云数据的分类精度，为遥感领域提供了新的解决方案。 现有的基于深度学习的机载激光雷达点云分类方法面临训练时间长、样本数据需求量大的问题，难以适应各种复杂场景的应用需求。为解决这些问题，本段落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。 该方法首先对机载激光雷达点云进行光谱信息补充，并通过提取归一化高度、强度值和植被指数特征构建三通道的点云特征图；同时生成多尺度和不同投影方向的特征图，利用迁移学习技术深入挖掘这些特征。随后，采用池化操作从多层次中抽取全局特性并运用卷积神经网络进行初步分类，并结合图割全局优化策略实现高精度分类。 实验部分使用了国际摄影测量与遥感协会提供的标准测试数据集验证所提方法的有效性。结果显示，在仅利用训练集中约0.6%的数据作为样本的情况下，该方法的总体分类准确率可达94.9%，显著优于已有同类研究结果。