為了進(jìn)一步提高點(diǎn)云圖像船舶分類方法的分類準(zhǔn)確率,提出了一種基于三維卷積神經(jīng)網(wǎng)絡(luò)（3DCNN）的點(diǎn)云圖像船舶分類方法。首先采用密度網(wǎng)格方法將點(diǎn)云圖像轉(zhuǎn)為體素網(wǎng)格圖像,將體素網(wǎng)格圖像作為3DCNN的輸入對(duì)象;接著通過(guò)設(shè)計(jì)的6層3D CNN提取體素網(wǎng)格圖像的高水平特征,捕捉結(jié)構(gòu)信息;最后在輸出層利用Softmax函數(shù)進(jìn)行分類,得到最終的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明,在自建的點(diǎn)云圖像船舶數(shù)據(jù)集上,所提方法的分類準(zhǔn)確率達(dá)到了96.14%,比3DShapeNets方法和VoxNet方法分別提高了5.97%和2.46%。在悉尼城市目標(biāo)數(shù)據(jù)集上,與現(xiàn)有一些方法相比,所提方法的分類準(zhǔn)確率較高。這些結(jié)果均證明所提方法具有良好的分類性能。 

【文章來(lái)源】：激光與光電子學(xué)進(jìn)展. 2020,57(16)北大核心

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

所提的船舶分類模型流程圖

CNN是由輸入層、卷積層、池化層、全連接層和輸出層組成的多層學(xué)習(xí)網(wǎng)絡(luò)，其基本結(jié)構(gòu)如圖2所示。卷積層有不同的卷積核，利用每個(gè)卷積核對(duì)輸入圖像進(jìn)行卷積，并產(chǎn)生輸出特征映射。通常還要通過(guò)激活函數(shù)對(duì)卷積結(jié)果進(jìn)行非線性計(jì)算操作之后才進(jìn)行下一層的池化操作，常用的激活函數(shù)有Sigmoid、tanh、ReLU(Rectified Linear Unit）和PReLU(Parametric Rectified Linear Unit）等。池化層（下采樣層）對(duì)上層的卷積結(jié)果進(jìn)行降維，以減少計(jì)算量，關(guān)注的是特征本身，而不是特征的具體位置。本文使用最大池化方法，使網(wǎng)絡(luò)可以抽取更大范圍的特征。全連接層一般位于CNN的最后幾層，全連接層的每個(gè)神經(jīng)元和前一層的全部神經(jīng)元相連，對(duì)多維的輸入進(jìn)行一維化處理。輸出層使用Softmax函數(shù)解決多分類問(wèn)題。

卷積層有不同的卷積核，利用每個(gè)卷積核對(duì)輸入圖像進(jìn)行卷積，并產(chǎn)生輸出特征映射。通常還要通過(guò)激活函數(shù)對(duì)卷積結(jié)果進(jìn)行非線性計(jì)算操作之后才進(jìn)行下一層的池化操作，常用的激活函數(shù)有Sigmoid、tanh、ReLU(Rectified Linear Unit）和PReLU(Parametric Rectified Linear Unit）等。池化層（下采樣層）對(duì)上層的卷積結(jié)果進(jìn)行降維，以減少計(jì)算量，關(guān)注的是特征本身，而不是特征的具體位置。本文使用最大池化方法，使網(wǎng)絡(luò)可以抽取更大范圍的特征。全連接層一般位于CNN的最后幾層，全連接層的每個(gè)神經(jīng)元和前一層的全部神經(jīng)元相連，對(duì)多維的輸入進(jìn)行一維化處理。輸出層使用Softmax函數(shù)解決多分類問(wèn)題�；赩oxNet網(wǎng)絡(luò)，本文設(shè)計(jì)的3DCNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。具體參數(shù)如表1所示。由圖3和表1可知，該網(wǎng)絡(luò)有3個(gè)卷積層（Conv1、Conv2和Conv3),1個(gè)池化層（Max Pooling 1），三個(gè)全連接層（FC1、FC2和FC3）。FC3也是Softmax層。預(yù)處理后的體素網(wǎng)格圖像的尺寸為32×32×32，所以在第1個(gè)卷積層用32個(gè)5×5×5的卷積核對(duì)32×32×32×1的體素網(wǎng)格圖像進(jìn)行步幅為2的卷積后，生成32個(gè)14×14×14的特征映射。特征映射的計(jì)算方法為


本文編號(hào)：3026462