.png){kind=icon}
返回
Deep Learning for LiDAR Point Cloud Classification in Remote Sensing
.png){kind=icon}
OA
AI
DOI：10.3390/s22207868.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
点云是由深度传感器产生的最广泛使用的数据格式之一。从无序和不规则点云数据中提取特征的研究很多。计算机视觉中的深度学习在将3D数据点作为点云进行数据分类和分割方面具有出色的性能。已经使用深度学习 (DL) 方法在点云和遥感任务上进行了各种研究。但是，在提供现有工作的路线图方面存在研究空白，包括局限性和挑战。本文重点介绍最先进的DL模型，按它们消耗的数据结构进行分类。收集模型的性能，并提供结果以对最常用的数据集进行基准测试。此外，我们总结了当前可公开用于DL训练和测试的基准3D数据集。在我们的比较研究中，我们可以得出结论，卷积神经网络 (CNN) 在各种遥感应用中实现了最佳性能，同时是轻量级模型，即动态图CNN (DGCNN) 和ConvPoint。
Keyword:
point clouds
deep learning
remote sensing
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
分享收藏Distant regulatory elements in a Sox10‐βGEO BAC transgene are required for expression of Sox10 in the enteric nervous system and other neural crest‐derived tissuesSox10-βgeo BAC转基因中的远距离调控元件是肠神经系统和其他神经源性组织中 Sox10 表达所必需的OAAI
OAAI分享收藏
Roof Classification From 3-D LiDAR Point Clouds Using Multiview CNN With Self-Attention基于自注意的多视图CNN的三维激光雷达点云屋顶分类
PREAI
分享收藏
查看更多内容