融合高分辨率影像与LiDAR的孪生对抗协同分类算法

针对传统多模态协同分类算法在异构特征表征方面的局限性,提出一种基于孪生协同注意力对抗网络(MCA2Net)的分类算法,用于高分辨率遥感影像和LiDAR数据的融合分类。MCA2Net首先设计多尺度特征提取和多注意力机制模块,结合对抗博弈过程有效提取高阶语义特征与差异化互补信息,实现多模态数据细节特征判别性保留;同时融合对抗与分类任务构建复合损失函数进行协同训练,平衡无监督图像融合任务与监督分类任务,实现模型稳定性提升。基于Houston与云南山地数据集实验结果表明:MCA2Net算法能有效提升多模态数据的协同分类性能,研究结果可应用于城市规划、环境监测与土地利用分类等领域。

基于深度全局信息融合的复杂山区机载点云滤波

激光雷达在获取地势陡峭、植被覆盖密集区域的点云数据时存在非地面点比重大、密度分布不均匀等情况,传统滤波算法难以获取精确的点云滤波结果,而深度学习在点云滤波中存在信息利用不充分、特征提取不足等问题。因此提出一种融合多维特征与全局上下文信息的点云滤波网络(MGINet),建立多维度特征提取与全局信息融合学习框架,提升复杂山区点云滤波精度。首先,MGINet设计了局部交叉特征融合模块,通过融合法向量与空间几何结构来获取高维差异特征,保留点云局部空间结构特征。然后,引入全局上下文聚合模块捕捉全局上下文信息,再结合交叉编码增强特征的泛用性。最后,在公开与真实的复杂山区数据集上进行测试,实验结果表明MGINet的滤波精度优于传统算法。