.png){kind=icon}
返回
Masking Graph Cross-Convolution Network for Multispectral Point Cloud Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2025.3545783.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
实现精确的三维环境感知是遥感领域的一项关键任务。多光谱点云具有丰富的三维空间-光谱综合信息，为实现更细致的场景理解和感知提供了数据基础。然而，土地覆盖的多样性及其特征的复杂性给分类带来了挑战。此外，当前的方法机械地合并和融合局部特征以获取全局信息，这限制了多光谱点云分类的实用性。在本文中，我们提出了一种掩蔽图交叉卷积网络 (MGC2N)，旨在通过利用光谱特征构建与空间距离无关的点对点关系来解决这些问题。自注意掩蔽 (SAM) 模块和空间谱交叉卷积 (S2C2) 模块被创新地设计到所提出的MGC2N中。前者用于自适应调整邻接矩阵的节点和边，以动态提取不同土地覆盖的有效特征; 后者用于提取场景中土地覆盖的空间分布特征和局部光谱特征，以增强学习特征的判别能力。我们的方法在两个真实的多光谱点云数据集上实现了同类最佳的性能，证明了其在提高分类精度和鲁棒性方面的有效性。
Keyword:
Feature extraction
Point cloud compression
Land surface
Three-dimensional displays
Remote sensing
Accuracy
Semantics
Deep learning
Transformers
Image segmentation
Graph neural network (GNN)
multispectral point cloud
self-attention masking (SAM)
