http://bhxb.buaa.edu.cnjbuaa@buaa.edu.cnDOI:10.13700/j.bh.1001-5965.2021.0434基于高程感知多尺度图卷积网络的地物分类文沛1，2，程英蕾1，*，王鹏1，赵明钧1，张碧秀1，3(1.空军工程大学信息与导航学院，西安710077；2.中国人民解放军93575部队，承德067000；3.中国人民解放军93897部队，西安710077)摘要：机载激光雷达获取的点云具有类别分布不均匀、样本高程差异大的复杂特点，现有方法难以充分识别其细粒度的局部结构。针对该问题，堆叠使用多层边缘卷积算子同时提取局部信息和全局信息，并引入高程注意力权重作为特征提取的补充，设计了一种用于机载激光雷达点云地物分类的端到端网络，提出基于高程感知多尺度图卷积网络的地物分类方法。对原始点云划分子块并采样到固定点数；采用多尺度边缘卷积算子提取多尺度局部-全局特征并进行融合，同时采用高程感知模块生成注意力权重并应用于特征提取网络；利用改进的焦点损失函数进一步解决类别分布不均问题，完成分类。采用国际摄影测量与遥感学会（ISPRS）提供的标准测试数据集对所提方法进行验证，所提方法的总体分类精度达到0.859，单类别分类精度特别是对建筑物的提取精度较ISPRS竞赛中公开的最好结果提高了4.6%。研究结果对实际应用和网络设计优化具有借鉴意义。关键词：图像处理；图卷积；深度学习；高程感知；点云分类中图分类号：V557+.3；TP391文献标志码：A文章编号：1001-5965（2023）06-1471-08机载激光雷达（lightdetectionandranging,LiDAR）作为一种主动式对地观测系统，获取的高精度、高密度三维点云已广泛应用于自动驾驶[1]、三维重构[2]、森林监测[3]、电力线检测[4]等领域，为3D目标感知和场景理解提供了重要空间信息。尽管研究人员提出了大量处理点云的方法[5-7]，由于机载远距离传感器噪声高、场景复杂等因素，机载激光雷达点云的分类仍极具挑战。传统机器学习方法通常基于手工设计规则提取特征并选择合适分类器进行分类[8-10]，模型泛化能力弱，对专业经验依赖程度高。随着深度学习在图像处理领域的巨大成功，研究者们开始采用深度学习模型处理点云分类问题。目前，基于深度学习的点云分类方法主要有3种：多视图投影、体素化及直接处理原始点云。多视图卷积神经网络（multi-viewconvolutionalneuralnetworks,MVCNN）[11]将点云从不同位置和角度投影到多个2D视图后进行卷积操作提取特征，较传统机器学习方法效果更优，但极易受视点选择影响。文献[12]将点云划分为多尺度体...
