基于数据增强与掩码学习的移动激光扫描点云分类方法

车载移动激光扫描(MLS)点云可以精确描述道路周围场景,其分类结果可为智能交通、数字孪生城市、高精地图及辅助驾驶等任务提供数据基础。为增强点云分类模型提取特征的表达能力,提高预测的鲁棒性,提出一个基于数据增强与掩码学习的MLS点云分类方法。所提方法主要由高程校准的Mix3D(EC-Mix3D)点云增强策略和掩码学习框架构成。其中,EC-Mix3D策略用于对训练数据进行高程校准的场景混合,扩充训练样本分布,提高模型预测的鲁棒性;掩码学习框架首先对输入点云施加随机块掩码操作获取掩码点云,然后对原始点云和掩码点云的预测进行标签监督学习、一致性约束及错误预测熵最大化,提高对点云特征的表达能力。采用公共MLS数据集(Toronto3D和Pairs数据集)进行方法验证。实验结果表明,所提方法可以对MLS点云进行有效分类,在两个测试数据集上分别获得了83.8%和68.74%的平均交并比,优于其他对比方法。