基于高程感知多尺度图卷积网络的地物分类.pdf

http:/DOI: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（light detection and ranging,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素，提取不同空间分辨率的多尺度特征，并依据此特征预测类别概率，在遥感测绘领域取得良好效果，但内存消耗大、训练时间长。PointNet是将原始点云作为模型输入的开创性工作，采用旋转矩阵、最大池化等方法，以较低代价、较好效果解决了点云无序性、置换不变性和旋转不变性的问题13。PointNet+在此基础上补足了其无法捕获局部邻域信息的缺陷14。许多研究者受 PointNet+启发对模型进行改进，但大都在不同邻域内独立处理点，忽略了点之间的几何关系及邻域间的拓扑关系，导致有用信息的缺失7。收稿日期：2021-08-02；录用日期：2021-10-29；网络出版时间：2021-11-2216：36网络出版地址： J.北京航空航天大学学报，2023，49（6）：1471-1478.WEN P，CHENG Y L，WANG P，et al.Ground object classification based on height-aware multi-scale graph convolution networkJ.Journal of Beijing University of Aeronautics and Astronautics，2023，49（6）：1471-1478（in Chinese）.2023年6月北京航空航天大学学报June2023第49卷第6期JournalofBeijingUniversityofAeronauticsandAstronauticsVol.49No.6针对独立处理点导致的邻域间信息缺失的问题，有学者开始研究基于图的方法。文献 15 基于图结构提取点云特征提出边缘卷积（EdgeConv），通过构造 k 近邻图（k-nearestneighbors,kNN）建立点之间的关系，受此启发，本文也采用图卷积的方法捕获目标丰富的结构信息，提出一种基于高程感知多尺度图卷积网络的地物分类方法。首先对原始点云进行预处理，包括划分子块和采样；将预处理后的点云子块分批次送入多尺度特征提取模块，并对提取的特征进行融合。同时，将相同批次点云子块送入高程感知模块获取对应高程权重，进一步增强特征表达能力，并对损失函数进行改进，解决LiDAR 扫描获取的点云部分类别高程差异较大（例如屋顶一般比其他类别高16），不同类别样本数量和规模差异大（例如屋顶、树木和电力线、汽车等）的问题。最后经过后处理，完成分类任务。实验证明，本文方法可以充分提取点云特征，精确分类得到地物目标。1基本原理与方法1.1点云预处理1.1.1分块策略k0CLCCNCCC10,C11,C12,C13,C14,C15,C16,C17C1i0 C10,C11,C12,C13,C14,C15,C16,C17LC1=LC/2NC1i0NC1i0=0C1i0NC1i0 0j0=k0Cj0i0NC1i0 0为使数据大小不超过 GPU 内存限制，方便后续使用批处理策略对网络模型进行训练，提高训练效率，需要将点云划分为多个子块。具体分块策略如下：设定最大递归深度；以原始点云边界为最大尺寸边界，建立初始立方体，边长为，中共有个点（即原始点云点数）；将立方体等分成 8 个小立方体，得到，对 任 意，边长为，点数为，若，则丢弃；若，则重复步骤，直至递归次数，此时保证任意中点数，则分块结束。1.1.2采样策略Pset=P1,P2,PM|M N+Pr PsetNcurrent N+,r=1,2,MNtarget N+Ncurrent NtargetNcurrent Ntarget为使分块后的子点云能直接输入后续神经网络，需要进行采样操作获得具有固定点数的样本。以分块处理后得到的一系列子点云为基础定义数据集，对任意，点数为。给定常数作为目标点数，当时对子点云块进行下采样，为提高效率，缩短运行时间，本文采用随机采样（randomsampling,RS）；当时对子点云块进行上采样，为降低计算复杂度，本文采用kNN 插值算法。1.2基于图卷积网络的特征提取1.2.1边缘特征提取基于图结构的点云处理算法因其强大的拓扑piqjdj=1,2,kpipiqjpiqjeijpi特征提取能力，近年来得到广泛研究。本文引入边缘卷积算子 EdgeConv15对点及与其邻域点之间的几何关系进行学习，从而捕获点云局部信息。图 1(a)为 kNN 图，以为中心点，为邻域点构建 kNN图，特征维度为，。中心点的边缘特征不仅与本身有关，还与邻域点有关，图 1(b)为边缘卷积，与之间的边缘特征及更新的处特征可表示为eij=h(pi,qj pi)pi=g(eij)=g(h(pi,qj pi)（1）h()g()式中：为边缘卷积函数；为特征聚合函数。ml(l):Rdl1 RdlG(l)=(V(l),E(l)V(l)E(l)E(l)V(l)V(l)piEi=ei1,ei2,eij,eiklE(l)=E1,E2,Ei,EnRnkdl1Rndll图 1(c)为边缘卷积和特征聚合过程，对重复次的边缘特征提取操作，每一个边缘卷积层的输出为下一个边缘卷积层的输入。具体而言，在第层，定义输入输出的映射关系为，kNN 图为，为顶点集合，为边缘集合，由此可得任意中心点的边缘特征为，第 层的边缘特征张量为，映射关系为。边 缘 卷 积 函 数 取 多 层 感 知 机（multilayerperceptron,MLP），特征聚合函数取最大池化（Max-pooling），则第 层的输出为output(l)=Maxpooling(MLP(E(l)=Maxpooling(ReLU(W(l)E(l)+b(l)（2）W(l)b(l)ReLU式中：为共享权值矩阵；为全连接层中的偏置向量；为激活函数；eijpiqjL1L2根据式(1)可知与和均有关，本文使用点间距的、范数和点坐标构建边缘特征向量，计算如下：qkqkeikei1ei2ei3ei4ei5q1q1q2q2q3q3q4q4q5q5pipi(qj)(qj).(a)kNN图(b)边缘卷积(c)图卷积G0G1GiGm图1边缘特征提取示意图Fig.1Schematicdiagramofedgefeatureextraction1472北 京 航 空 航 天 大 学 学 报2023年eij=(L1,L2,P,Q)L1=ds=1?xisxjs?L2=(ds=1(xisxjs)2)1/2（3）L1L2piqjPQpiqjxisxjspiqjs式中：和分别为和之间的曼哈顿距离和欧氏距离；和分别为和的三维坐标；和分别为和的第 维坐标值。1.2.2多尺度局部-全局特征提取kNN 图描述了中心点和其前 k 个最近邻点之间的邻接关系，当 k 取不同大小值则捕获中心点附近不同比例的局部邻域信息；EdgeConv 模块同时考虑了邻域内的局部信息和全局信息，通过层次堆叠使用 EdgeConv 模块可以提取单尺度局部-全局特征。本文通过融合多比例边缘卷积特征提取模块的输出来实现多尺度局部-全局特征的提取，如图 2 所示，其中 M1、M2和 M3为 k 的不同取值，以此达到构造不同尺度领域空间的目的。首先根据kNN 图 生 成 边 缘 特 征 向 量，通 过 多 层 感 知 器MLP(64,64,128)和 最 大 池 化 层 Maxpooling(128)得到 浅 层 边 缘 特 征；然 后 输 入 MLP(128,256)和Maxpooling(256)获 取 深 层 特 征；进 一 步 采 用MLP(256,512)和 Maxpooling(512)获取更深层次特征；然 后 将 每 层 输 出 特 征 进 行 拼 接，并 送 入MLP(896,1024)和 Maxpooling(1024)得到深层边缘特征；最后将多比例特征进行融合，得到多尺度局部-全局特征。输入输出边缘特征向量边缘卷积MLP边缘卷积MLP边缘卷积MLP最大池化最大池化MLP最大池化最大池化CC特征拼接kNN图k=M1kNN图k=M2kNN图k=M3特征提取模块特征融合特征提取模块特征提取模块特征提取模块图2多尺度特征提取示意图Fig.2Schematicdiagramofmulti-scalefeatureextraction1.3高程感知模块与室内场景点云不同，机载激光雷达获取的点云在不同类别地物间呈现差异较大的高程分布特点，例如建筑物高程普遍高于植被、车辆等。为充分利用不同类别间的高程差异特性，本文引入高程感知模块17，生成点的高程注意力权重，使模型充分考虑每个点的高程信息，提高分类精度，改善分D1类效果。具体而言，对输入点云取 z 坐标生成 1 维特征向量，通过权值共享的 MLP 对其进行升维，获取与特征提取主干网络输出的节点特征（维度为）相匹配的高维特征，最后通过 Softmax 层得到高程注意力权重，原理如图 3 所示，其中，D 为输入点云维度，N 为预处理后输入网络的点云中点的数量。S Softmax11 卷积批归一化ReLUMLPSN(3+D)N1ND1ND1高程感知模块11 卷积批归一化ReLU批归一化ReLU11 卷积图3高程感知模块原理图Fig.3SchematicdiagramofHeight-awaremodule1.4高程感知多尺度图卷积网络本 文 设 计 的 高 程 感 知 多 尺 度 图 卷 积 网 络（height aware multi-scale graph convolution network，HAMS-GCN）提供了一种端到端的点云分类方法，如图 4 所示。以预处理后的点云作为输入，通过特征提取模第6期文沛，等：基于高程感知多尺度图卷积网络的地物分类1473块获得局部-全局特征（11024）；融合基于不同尺度kNN 图的特征获得多尺度局部-全局特征（31024）并进行特征降维；然后将高程注意力权重与特征矩阵相乘得到具有丰富高程信息的点特征（1024）；最后输入 MLP(1024,256,64,c)得到标签预测结果，完成分类，c 为总类别数。1.5损失函数多分类问题中最常用的损失函数为交叉熵损失函数，然而机载激光雷达点云中类别样本分布极不均匀，样本较少的类别分类难、易错分。何恺明等18提出的焦点损失函数能有效解决类别分布不均匀问题，通过对交叉熵函数添加调节项，在图像特征识别中取得较好效果。焦点损失函数如下：Focal_losst=at(1t)ln(t)t=1,2,c（4）tat(1t)at式 中：为 模 型 估 计 概 率；为 类 别 权 重 系 数；为调节因子；为焦点参数。类别权重系数一般为固定值，针对机载激光雷达点云的分类并不总是有效，因此，本文借鉴文献 19的方法对焦点损失函数进行改进，解决类别分布极度不均匀的问题，通过类别百分比的指数函数来计算变化的类别权重系数，具体如下：at=exp(t)exp(t)exp(t)+exp(t)t=(maxt=1,2,catat)1/3（5）t式中：为中间变量。则改进后的焦点损失函数为Losst=at(1t)ln(t)=exp(t)exp(t)exp(t)+exp(t)(1t)ln(t)（6）2实验与分析2.1数据集本文使用国际摄影测量与遥感学会（InternationalSocietyforPhotogrammetryandRemoteSensing，ISPRS）pts/m2提供的 Vaihingen 数据集进行实验。该数据集由LeicaALS50 系统在离地面 500m 的平均高度上采集得到，共有 753876 个训练点、411722 个测试点，点密度为 4，其中，pts 为点，包括密集复杂的建筑区、树木环绕的住宅区、独立小栋的住宅区，类别丰富。图 5为实验数据集，地物被分为 9 个类别：电力线（powerline）、低矮植被（lowvegetation）、不透水表面（impervioussurfaces）、车辆（car）、篱笆/栅栏（fence/hedge）、屋顶（roof）、外墙立面（facade）、灌木（shrub）、树木（tree）。不同类别比例分布如表 1所示。(a)训练数据(b)测试数据图5实验数据集Fig.5TheexperimentaldatasetF融合kNN图矩阵相乘N(3+D)特征提取高程感知模块单尺度特征提取模块11 024F11 0243MLP(1 024,1 024)最大池化(3)11 0241N1 024N1 024升维MLP(1 024,256,64,c)Nc输云点入输出标签11 02411024N1 024k=M1k=M2k=M3图4基于 HAMS-GCN 的点云分类流程Fig.4PointcloudclassificationprocessbasedonHAMS-GCN表1实验数据集中不同类别的百分比Table1Thepercentofdifferentcategoriesintheexperimentaldataset%类别训练集测试集电力线0.070.15低矮植被23.9923.97不透水表面25.7014.77车辆0.610.90篱笆/栅栏1.601.80屋顶20.1726.48外墙立面3.612.72灌木6.316.03树木17.9413.171474北 京 航 空 航 天 大 学 学 报2023年2.2参数设置和评价指标点云分块预处理时，根据实验对比设置最大递归深度为 5；统一点云子块点数时设置采样点数为4096。网络训练阶段采用 Adam 优化器，初始学习率设置为 0.001，批处理大小设置为 64，训练 200 个epoch。机器配置：GPU 为 GeForceGTXTITANX，CPU 为 Intel(R)Xeon(R)CPUE5-2620v32.40GHz，实验环境主要有 python3.8、pytorch1.9。为评估本文网络性能，本文引入总体分类精度（overallaccuracy,OA）和 F1 分数作为评价指标，具体计算式为OA=NTP+NTNNTP+NTN+NFP+NFNF1=2precisionrecallprecision+recallprecision=NTPNTP+NFPrecall=NTPNTP+NFN（7）NTPNTNNFPNFN式中：为预测正例实际正例的样本数；为预测负例实际负例的样本数；为预测正例实际负例的样本数；为预测负例实际正例的样本数；precision 为精确率；recall 为召回率。2.3结果分析2.3.1预处理分析m1,m2,m9为以最佳分块进行后续实验，本节对不同递归深度进行测试，结果如图 6 所示，为不同类别分类精度，用柱状图不同颜色表示。由图可知，递归深度越小，表示分块大小越大，各类别的分类精度越低，对篱笆、电力线等类别的影响较高，这是由于较大的块在提取特征进行最大池化时容易丢失更多细节信息，且数据边缘块的点较少，依赖插值点的生成，特征学习能力较差；递归深度越大，分块大小越小，屋顶、树木等类别的分类精度显著下降，这是由于将较大对象分成小块，容易破坏其整体结构，网络无法充分学习完整对象的结构信息。通过实验验证，选取递归深度为 5 能产生更好的分类结果，效果如图 7 所示。图7预处理分块示意图Fig.7Schematicdiagramofpreprocessedsub-blocks2.3.2网络性能分析图 8 为测试数据的分类结果可视化，绿色为分类正确，红色为分类错误，图 9 为分类结果细节可视化，为参考标签，为分类结果，图 10 为分类结果的混淆矩阵。由图 10 可以看出，本文方法在提取建筑物边缘细节方面表现较好，屋顶分类精度达到 0.962；树木、低矮植被、不透水表面的分类效果较好，分类精度分别为 0.883、0.866 和 0.903。这几类地物分类效果较好的原因有：训练数据较其他数据更多，更有利于神经网络学习对应特征；目标高程具有较强区分性，本文提出的高度感知模块在学习对应特征时发挥了较好作用；本文引入了边缘卷积算子，对目标上下文信息具有较强学习能力，有利于对这几类地物目标形态特征进行区分。灌木和篱笆/栅栏的区分性较差，电力线的分类效果较差，汽车的分类效果较差但相比电力线稍好。这是由于篱笆/栅栏与灌木的位置较近且存在交叠和遮挡，使用激光雷达进行扫描时，生成的点3456700.20.40.60.81.0分类精度递归深度电力线m1低矮植被m2不透水表面m3车辆m4篱笆/栅栏m5屋顶m6外墙立面m7灌木m8树木m9图6递归深度测试结果Fig.6Recursivedepthtestresults区域A区域B区域C图8分类结果可视化Fig.8Visualizationofclassificationresults第6期文沛，等：基于高程感知多尺度图卷积网络的地物分类1475云容易混合；电力线样本比例过少，不利于网络的训练，且电力线与部分屋顶的屋脊距离过近，容易错分；汽车与屋顶等其他类别的高程差异较显著，一定程度弥补了其样本少的不足。2.3.3对比结果分析为进一步验证本文方法的有效性，将本文方法与经典 PointNet13、PointNet+14模型及几种 ISPRS竞赛方法进行比较，结果如表 2 和图 11 所示。可以看出，PointNet 的表现较差，可能因为其缺乏局部邻域信息，导致模型学习能力较差。PointNet+由于其局部特征提取功能，网络性能有较大提升，说明局部邻域信息在特征学习过程中发挥了重要作用。文献 20 的方法对电力线和汽车的分类效果最好，是由于其结合随机森林分类器和条件随机场完成语义标记，采用机器学习方法，极少的样本数量对模型的特征学习性能影响较深度学习方法更小。文献 21 中方法的总体分类精度和宏 F1 分数均表现很好，原因是其基于多尺度卷积神经网络提取点云特征，学习到的局部邻域特征更丰富，提高了分类性能。本文方法在提取屋顶、树木、外墙立面等多个类别时较其他方法表现更优，总体分类精度达到 0.859，宏 F1 分数也达到较高水平，能够满足城市规划、道路基础设施建设、驾驶地图生产等应用需求。2.3.4消融实验考虑到本文方法由多个模块组成，为进一步研究各模块对网络性能的影响，本节对网络结构的不同设计进行比较，结果如表 3 所示。可以看出，单独引入多尺度图和高度感知模块可以将模型性能分别提高 1.1%、0.9%和 1.9%、1.2%，当同时引入多尺度图和高程感知模块后，模型总体分类精度 OA 达到 0.859，宏 F1 分数 AvgF1 为 0.687。单类别分类精度也达到较高的水平，对建筑屋顶的分类精度较ISPRS 竞赛中最好结果提高了 4.6%。说明不同模块对分类性能均有一定贡献，对机载激光雷达点云0.3030.005 0.8660.080.0110.0140.0860.0860.006 0.0320.0030.0030.0030.003 0.007 0.018 0.962 0.206 0.011 0.0260.3930.1020.0020.0020.0020.00.00.00.00.00.00.0040.004 0.083 0.469 0.0630.1970.005 0.134 0.2160.120.903 0.064 0.026 0.001 0.006 0.008 0.0010.0010.0010.0010.001 0.105 0.097 0.021 0.114 0.274 0.8830.012 0.067 0.0060.006 0.0080.5550.001 0.1260.0480.370.0010.006 0.6190.020.020.00.00.00.00.00.00.00.0树木灌木外墙立面屋顶篱笆/栅栏车辆不透水表面低矮植物电力线树木灌木外墙立面屋顶篱笆/栅栏车辆不透水表面低矮植物电力线预测真实0.80.60.40.20混淆矩阵热力值图10混淆矩阵Fig.10Confusionmatrix树木灌木外墙立面屋顶篱笆/栅栏车辆不透水表面低矮植物电力线(a)区域A()(b)区域A()(c)区域B()(d)区域B()(e)区域C()(f)区域C()图9分类结果细节可视化Fig.9DetailedVisualizationofclassificationresults1476北 京 航 空 航 天 大 学 学 报2023年数据而言，高程感知模块能发挥显著作用，结果再次验证了本文方法提取城市规模点云特征的有效性。3结论1)通过堆叠使用多层边缘卷积算子构造特征提取模块可以充分提取多层边缘特征；通过构造不同尺度 kNN 图可以提取多尺度局部-全局特征，特征表达更加丰富。2)设计的高程感知模块能获取对应点的高程注意力权重，将高程感知模块引入特征提取主干网络能增强网络捕获更具区分度特征的能力。3)采用改进的焦点损失函数能进一步解决类别不平衡的问题，使分类任务完成更佳。4)本文方法可实现较为优异的机载激光雷达点云地物分类功能，总体分类精度可达到 0.859，宏F1 分数可达到 0.687。下一步仍需对网络复杂度进行优化，探索更加高效的机载激光雷达点云地物分类方法。参考文献（References）ZERMASD,IZZATI,PAPANIKOLOPOULOSN.Fastsegmenta-tionof3Dpointclouds:AparadigmonLiDARdataforautonom-ousvehicleapplicationsC/2017IEEEInternationalConferenceonRobotics and Automation.Piscataway:IEEE Press,2017:5067-5073.1YANGBS,HUANGRG,LIJP,etal.AutomatedreconstructionofbuildingLoDsfromairborneLiDARpointcloudsusinganim-provedmorphologicalscalespaceJ.RemoteSensing,2017,9(1):14-27.2POLEWSKIP,YAOW,HEURICHM,etal.DetectionoffallentreesinALSpointcloudsusingaNormalizedCutapproachtrainedby simulationJ.ISPRS Journal of Photogrammetry and RemoteSensing,2015,105:252-271.3ENELT,NSSETE,GOBAKKENT,etal.Large-scaleestima-tionofchangeinabovegroundbiomassinmiombowoodlandsus-ing airborne laser scanning and national forest inventory dataJ.RemoteSensingofEnvironment,2017,188:106-117.4TCHAPMIL,CHOYC,ARMENII,etal.SEGCloud:Semanticsegmentation of 3D point cloudsC/2017 International Confe-renceon3DVision.Piscataway:IEEEPress,2018:537-547.5HUQ,YANGB,XIEL,etal.RandLA-Net:Efficientsemanticseg-mentationoflarge-scalepointcloudsC/2020IEEE/CVFConfe-rence on Computer Vision and Pattern Recognition.Piscataway:IEEEPress,2020.6LIYY,BUR,SUNM,etal.PointCNN:Convolutionon-trans-formedpointsC/AdvancesinNeuralInformationProcessingSys-tems.SanFrancisco:CurranAssociatesInc,2018:820-830.7COLGANM,BALDECKC,FRETJB,etal.Mappingsavannatreespeciesatecosystemscalesusingsupportvectormachineclas-sificationandBRDFcorrectiononairbornehyperspectralandLiD-ARdataJ.RemoteSensing,2012,4(11):3462-3480.8WANGCS,SHUQQ,WANGXY,etal.Arandomforestclassi-fierbasedonpixelcomparisonfeaturesforurbanLiDARdataJ.ISPRSJournalofPhotogrammetryandRemoteSensing,2019,148:75-86.9NIEMEYERJ,ROTTENSTEINERF,SOERGELU.ContextualclassificationofLIDARdataandbuildingobjectdetectioninurbanareasJ.ISPRSJournalofPhotogrammetryandRemoteSensing,2014,87:152-165.10PointNet PointNet+HM_1NANJ2本文00.20.40.60.81.0分类精度方法0.00.20.40.60.81.0评价指标OA评价指标Avg F1电力线m1低矮植被m2不透水表面m3车辆m4篱笆/栅栏m5屋顶m6外墙立面m7灌木m8树木m9图11与其他方法结果对比Fig.11Comparisonwithresultsfromothermethods表2本文方法与其他模型在 ISPRS 数据集上的结果对比Table2ComparisonsbetweentheproposedmethodandothermodelsontheISPRSdataset方法m1m2m3m4m5m6m7m8m9OAAvgF1PointNet0.5260.7000.8320.1120.0750.7480.0780.2460.4540.6570.419PointNet+0.5790.7960.9060.6610.3150.9160.5460.4160.7700.8120.656文献200.8280.6590.9420.6710.2520.9150.4900.6270.8260.8050.664文献210.6120.8770.9330.5560.6190.9160.3860.7270.7750.8520.693本文0.3030.8660.9030.3400.3700.9620.5550.4690.8830.8590.687表3不同模块对实验结果的影响Table3EffectsofdifferentmodulesfortheproposedmethodontheVaihingendataset边缘卷积多尺度高程感知OAAvgF10.8150.6620.8260.6710.8340.6740.8590.687注：“”表示测试网络集成了该模块。第6期文沛，等：基于高程感知多尺度图卷积网络的地物分类1477SUH,MAJIS,KALOGERAKISE,etal.Multi-viewconvolution-alneuralnetworksfor3DshaperecognitionC/2015IEEEInterna-tional Conference on Computer Vision.Piscataway:IEEE Press,2016:945-953.11WANGL,HUANGYC,SHANJ,etal.MSNet:Multi-scalecon-volutionalnetworkforpointcloudclassificationJ.RemoteSens-ing,2018,10(4):612.12CHARLESRQ,HAOS,MOKC,etal.PointNet:Deeplearningonpointsetsfor3DclassificationandsegmentationC/2017IEEEConferenceonComputerVisionandPatternRecognition.Piscat-away:IEEEPress,2017:77-85.13QICR,YIL,SUH,etal.PointNet+:DeephierarchicalfeaturelearningonpointsetsinametricspaceC/Proceedingsofthe31stInternationalConference on Neural Information Processing Sys-tems.NewYork:ACM,2017:51055114.14WANGY,SUNYB,LIUZW,etal.DynamicgraphCNNforlearningonpointcloudsJ.ACMTransactionsonGraphics,2019,38(5):1-12.15HSUPH,ZHUANGZY.Incorporatinghandcraftedfeaturesinto16deep learning for point cloud classificationJ.Remote Sensing,2020,12(22):3713.LIWZ,WANGFD,XIAGS.Ageometry-attentionalnetworkforALS point cloud classificationJ.ISPRSJournal of Photogram-metryandRemoteSensing,2020,164:26-40.17LINTY,GOYALP,GIRSHICKR,etal.Focallossfordenseob-jectdetectionJ.IEEETransactionsonPatternAnalysisandMa-chineIntelligence,2020,42(2):318-327.18CHENY,LIUGL,XUYM,etal.PointNet+networkarchitec-turewithindividualpointlevelandglobalfeaturesoncentroidforALS point cloud classificationJ.Remote Sensing,2021,13(3):472.19YANGZS,TANB,PEIHK,etal.Segmentationandmulti-scaleconvolutionalneuralnetwork-basedclassificationofairbornelaserscannerdataJ.Sensors,2018,18(10):3347-3357.20ZHAORB,PANGMY,WANGJD.ClassifyingairborneLiD-ARpointcloudsviadeepfeatureslearnedbyamulti-scaleconvolu-tionalneuralnetworkJ.InternationalJournalofGeographicalIn-formationScience,2018,32(5):960-979.21Ground object classification based on height-aware multi-scale graphconvolution networkWENPei1，2，CHENGYinglei1，*，WANGPeng1，ZHAOMingjun1，ZHANGBixiu1，3(1.InformationandNavigationCollege，AirForceEngineeringUniversity，Xian710077，China；2.PLA93575，Chengde067000，China；3.PLA93897，Xian710077，China)Abstract：ThepointcloudacquiredbyairborneLiDARhasthecomplexcharacteristicsofunevendistributionofcategoriesandlargedifferencesinsampleelevation.Existingmethodsaredifficulttofullyidentifyfine-grainedlocal structures.This paper proposes an end-to-end network for airborne LiDAR point cloud classification afteremployingstackedmulti-layeredgeconvolutionoperatorstosimultaneouslyextractlocalandglobalinformation.Italsointroduceselevationattentionweightsasasupplementtofeatureextraction.First,theoriginalpointcloudisdividedintosub-blo