{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,14]]，“日期-时间”：“2024-09-14T06:31:29Z”，“时间戳”：1726295489618}，“引用-计数”：33，“发布者”：“MDPI AG”，“问题”：“20”，“许可证”：[{“开始”：{/“日期-部分”：[2022,10,14]]2022-10-14T00:00:00Z“，”时间戳“：16657056000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“出资人”：[{“名称”：“自然资源部退化未利用土地整理工程重点实验室开放基金”，“奖项”：[“SXDJ2019-4”]}，{“name”：“南京测绘地理研究院有限公司科学再研究项目”，“奖项”：[“H7P210062”]}，{“名称”：“中国自然科学基金”，“奖”：[”51874306“]}]，“内容域”：{“域”：[]，“十字标记再限制”：false}，“短容器时间”：[遥感”]，“摘要”：“随着城市的快速发展，城市场景的语义分割作为一种重要而有效的成像方法，可以准确地获取典型城市地物的分布信息，反映城市的发展规模和绿化水平。城市场景中点云的语义分割存在着尺度不一致、类分布不均衡、遮挡导致数据丢失等问题。在点云语义分割网络RandLA-Net的基础上，我们提出了语义分割网络RandLA-Net++和RandLA-Net3+。RandLA-Net++网络是点云浅层和深层特征的深度融合，编码器和解码器之间使用了一系列嵌套的密集跳跃连接。RandLA-Net3+基于编码器和解码器之间的多尺度连接；它还将解码器内部连接起来，以全面捕获细粒度细节和粗粒度语义信息。我们还建议加入扩张卷积来增加感受野，并比较不同损失函数对样本类别不平衡的改善效果。在对我们标记的城市场景LiDAR点云数据集（称为NJSeg-3D\u2014）进行验证和分析后，RandLA-Net++和RandLA-Net3+网络的mIoU分别比基准网络RandLA_Net高3.4%和3.2%<\/jats:p>“，”DOI“：”10.3390\/rs14205134“，”type“：”journal-article“，”created“：{”date-parts“：[2022,10,17]]，”date-time“：”2022-10-17T07:43:58Z“，”timestamp“：1665992638000}，”page“：“，”卷“：”14”，“作者”：[{“给定”：“嘉庆”，“家庭”：“陈”，“序列”：“第一”，“隶属关系”：[}“名称”：“自然资源部退化未利用土地整理工程重点实验室，西安710075，中国”}，{“姓名”：“中国矿业大学环境与空间信息学院，徐州221116”}]}，“given“：”Yindi“，”family“：”Zhao“，”sequence“：”additional“，”affiliation“：[{”name“：”自然资源部退化未利用土地整理工程重点实验室，Xi\u2019an 710075，中国“}”，{“name”：“中国矿业大学环境与空间信息学院，徐州221116”}]}，{从唐“，”家族“：”孟“，”序列“：”附加“，”从属“：[{“name”：“中国矿业大学环境与空间信息学院，徐州221116”}]}，{“given”：“Yang”，“family”：“Liu”，“sequence”：“additional”，“affiliation”：中国矿业大学环境与空间信息学院，中国徐州221116“}]}]，“成员”：“1968”，“在线发布”：{“日期部分”：[[2022,10,14]]}，“参考”：[{“键”：“ref_1”，“doi断言者”：“crossref”，“非结构化”：“Kasznar，A.P.P.、Hammad，A.W.、Najjar，M.、Linhares Qualharini，E.、Figueiredo，K.、Soares，C.A.P.和Haddad，A.N.（2021年）。2019年智能城市基础设施的多维度：综述。建筑物，11.“，”DOI“：”10.3390\/buildings11020073“}，{“key”：“ref_2”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ronneberger，O.，Fischer，P.，and Brox，T.（2015年1月5日\u20139）.U-net：用于生物医学图像分割的卷积网络。第18届医学图像计算和计算机辅助干预国际会议记录，德国慕尼黑。“，”DOI“：”10.1007\/978-3-319-24574-4_28“}，{”key“：”ref_3“，”DOI-asserted-by“：”crossref“，“first page”：“834”，“DOI”：“10.1109\/TPAMI.2017.2699184”，“article-title”：“Deeplab:使用深度卷积网、atrous卷积和完全连接的crfs进行语义图像分割”，“volume”:“40”，“author”：“Chen”，“year”：“2017”，“journal-title:”IEEE传输。模式分析。机器。智力。“}，{”key“：”ref_4“，”doi-asserted-by“：”crossref“，”first page“：“2481”，”doi“：”10.1109\/TPAMI.2016.2644615“，”article-title“：”Segnet:用于图像分割的深度卷积编码器-解码器架构“，”volume“：“：”1509”，“文章标题”：“3D LiDAR点云处理的进展、挑战和前景”，“卷”：“46”，“作者”：“杨”，“年份”：“2017”，“期刊标题”：“地质学报”。制图员。罪。“}，{”key“：”ref_6“，”doi-asserted-by“：”crossref“，”first page“：“267”，”doi“：”10.11834\/jrs.20211017“，”article-title“：”近20年来中国对地观测的科技进步与发展前景“，”volume“：doi-asserted-by“：”crossref“，”unstructured“：”Yi，L.，Su，H.，Guo，X.，and Guibas，L.J.（2017年1月21日\u201326）。SyncSpecCNN：用于3D形状分割的同步光谱CNN。2017年IEEE计算机视觉与模式识别会议论文集，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.697”}，{“key”：“ref_8”，“unstructured”：“Wu，Z.，Song，S.，Khosla，A.，Yu，F.，Zhang，L.，Tang，X.，and Xiao，J.（2015年1月7日\u201312）.3DShapeNets：体积形状的深度表示。《2015年IEEE计算机视觉与模式识别会议论文集》，美国马萨诸塞州波士顿ScanNet：丰富的室内场景3D重建。2017 IEEE计算机视觉和模式识别会议记录，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.261”}，{“key”：“ref_10”，“DOI-asserted-by”：“crossref”，“first page”：”91“，“DOI:”10.5194\/isprs-annals-IV-1-W1-91-2017“，“article-title”：“SEMANTIC3D.NET:一个新的大规模点云分类基准”，“卷“：“I V-1 \/W1”，“作者”：“Hackel”，“年份”：“2017年”，“新闻标题”：“ISPRS Ann.Photogram。远程传感器垃圾邮件。信息科学。“}，{”key“：”ref_11“，”doi-asserted-by“：”crossref“，”unstructured“：”Hu，Q.，Yang，B.，Khalid，S.，Xiao，W.，Trigoni，N.，and Markham，A.（2021,19\u201325）面向城市三维点云的语义分割：数据集、基准和挑战。IEEE计算机视觉和模式识别会议论文集，虚拟。“，”DOI“：”10.1109\/CVPR46437.2021.00494“}，{”key“：”ref_12“，”DOI-asserted-by“：”crossref“，”unstructured“：”Tan，W.，Qin，N.，Ma，L.，Li，Y.，Du，J.，Cai，G.，Yang，K.，and Li，J..（2020年1月14日\u201319）Toronto-3D：用于城市道路语义分割的大规模移动LiDAR数据集。IEEE计算机视觉与模式识别研讨会（CVPRW）会议记录，美国华盛顿州西雅图《地理学报》。制图员。罪。“｝，｛”key“：”ref_14“，”首页“：”38“，”文章标题“：”基于深度学习的点云分割：调查“，”卷“：”56“，”作者“：”Yu“，”年份“：”2020“，”期刊标题“：”Comput.Eng.Appl.“｝，｛”key“：”ref_15“，”doi断言“：”crossref“，”首页“：”4338“，”doi“：”10.1109\/TPAMI.20203005434“，”文章标题“：”三维点云深度学习：调查”，“卷”：“43”，“作者”：“郭”，“年份”：“2020年”，“新闻标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”ref_16“，”doi-asserted-by“：”crossref“，”unstructured“：”Su，H.，Maji，S.，Kalogerakis，E.，and Learnd-Miller，E.（2015年1月7日\u201313）。三维形状识别的多视卷积神经网络。智利圣地亚哥IEEE国际计算机视觉会议论文集。“，doi”：“10.1109\/ICCV.2015.114”}，”{“key”：“ref_17“，“非结构化”：“Maturana，D.和Scherer，S.（10月，1月28日）。Voxnet：用于实时对象识别的三维卷积神经网络。IEEE RSJ智能机器人和系统国际会议（IROS）会议记录，德国汉堡。“}，{”key“：”ref_18“，”unstructured“：”Qi，C.R.，Su，H.，Mo，K.，and Guibas，L.J.（2017年1月21日\u201326）。Pointnet：三维分类和分割的点集深度学习。美国夏威夷州火奴鲁鲁IEEE计算机视觉和模式识别会议论文集。“}”，{“key”：“ref_19”，“unstructure”：“Qi，C.R.、Yi，L.、Su，H.和Guibas，L.J.（2017年1月4日\u20139）。Pointnet++：度量空间中点集的深度分层特征学习。第31届神经信息处理系统会议记录（NIPS 2017），美国加利福尼亚州长滩。“}，{“key”：“ref_20”，“doi-asserted-by”：“crossref”，“unstructured”：“Hu，Q.，Yang，B.，Xie，L.，Rosa，S.，Guo，Y.，Wang，Z.，Trigoni，N.，and Markham，A.（2020年1月13日\u201319）Randla-net：大规模点云的高效语义分割。IEEE计算机视觉与模式识别（CVPR）会议论文集，美国华盛顿州西雅图ref_22“，”doi-asserted-by“：”crossref“，”unstructured“：”Thomas，H.，Qi，C.R.，Deschaud，J.E.，Marcotegui，B.，Goulette，F.，and Guibas，L.J.（2019年1月16日\u201320）。Kpconv：点云的灵活可变形卷积。IEEE计算机视觉国际会议（CVPR）论文集，美国加利福尼亚州长滩”，“DOI”：“10.1109”，{“key”：“ref_23”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，C.，Samari，B.，and Siddiqi，K.（2018年1月8日，201314）.用于点集特征学习的局部谱图卷积。欧洲计算机视觉会议记录，德国慕尼黑。“，”DOI“：”10.1007\/978-3-030-01225-0_4“}，{“key”：”ref_24“，”首页“：”1“，”article-title“：”学习点云的动态图形CNN“，”volume“：”38“，”author“：”Wang“，”year“：”2019Himmelsbach，M.、Hundelshausen，F.V.和Wuensche，H.J.（2010年1月21日，201324）。地面车辆三维点云的快速分割。2010年IEEE智能车辆研讨会论文集，美国加利福尼亚州拉霍亚”，“DOI”：“10.1109\/IVS.2010.5548059”}，{“key”：“ref_26”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，F.，Li，S.，Zhang，L.，Zhou，C.，Ye，R.，Wang，Y.，and Lu，J.（2017年1月22日\u201329）.3DCNN-DQN-RNN：用于大规模3D点云语义解析的深度强化学习框架。IEEE计算机视觉国际会议论文集，意大利威尼斯。“，”DOI“：”10.1109\/ICCV.2017.605“}，{“key”：“ref_27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhao，C.，Zhou，W.，Lu，L.，and Zhao and Q.（2019，January 22\u201325）。合并相邻点的分数以改进三维点云分割。2019 IEEE国际图像处理会议（ICIP）论文集，台湾台北。”，“DOI”：“10.1109\/ICIP.2019.8803048“}，{“key”：“ref_28”，“doi-asserted-by”：“crossref”，“first page”：”1856“，“doi”：“10.1109\/TMI.2019.2959609”，“article-title”：“Unet++：重新设计跳过连接以利用图像分割中的多尺度特征”，“volume”:“39”，“author”：“Zhou”，“year”：“2019”，”journal-title“：”IEEE Trans.Med.Imaging“}”，{”key“ref_29”“，”doi-asserted-by“：”crossref“，”unstructured“：”Huang，H.，Lin，L.，Tong，R.，Hu，H..，Zhang，Q.，Iwamoto，Y.，Han，X.，Chen，Y.和Wu，J.（2020年1月4日\u20138）。Unet 3+：用于医学图像分割的全尺寸连接Unet。IEEE声学、语音和信号处理（ICASSP）国际会议论文集，虚拟。“，”DOI“：”10.1109\/ICSPSP4076.2020.9053405“}，{”key“：”ref_30“，”DOI-asserted-by“：”crossref“，”unstructured“：”Pang，Y.，Li，Y.、Shen，J.和Shao，L.（2019年1月16日\u201320）。努力弥合语义差距以改进语义分割。IEEE\/CVF国际计算机视觉会议（CVPR）论文集，美国加利福尼亚州长滩，“DOI”：“10.1109\/ICCV.2019.00433“}，{“key”：“ref_31”，“doi-asserted-by”：“crossref”，“unstructured”：“Sudre，C.H.，Li，W.，Vercauteren，T.，Ourselin，S.，and Jorge Cardoso，M.（2017）.广义骰子重叠作为高度不平衡分段的深度学习损失函数。医学图像分析的深度学习和临床决策支持的多模式学习，Springer。“，”DOI“：”10.1007\/978-3-319-67558-9_28“}，{”key“：”ref_32“，”DOI-asserted-by“：”crossref“，”unstructured“：”Lin，T.Y.，Goyal，P.，Girshick，R.，He，K.，and Doll\u00e1r，P.（2017年1月21日\u201326日）。密集目标检测的焦点损失。IEEE国际计算机视觉会议论文集，美国俄亥俄州火奴鲁鲁”，“DOI”：“10.1109\/ICCV.2017.324“}，{“key”：“ref_33”，“doi-asserted-by”：“crossref”，“unstructured”：“Cortinhal，T.，Tzelepis，G.，and Aksoy，E.E.（2020）。Salsanext：用于自动驾驶的激光雷达点云快速语义分割。arXiv.”，“doi”：“10.1007\/978-3030-64559-5_16”}]，“container-title”：[“遥感”]，“original-title“：[]，”“language“en”，“链接“：[{“URL”：“https:\/\/www.mdpi.com//2072-4292\/14\/20\/5134\/pdf”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[[2024,8,7]]，“date-time”：“URL”：“https:\/\/www.mdpi.com\/2072-4292\/14\/20\/5134“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[2022,10,14]]}，“引用计数”：33，“日志发布”：{“发布”：“20”，“发布在线”：{“日期部分”：[2022,10]}}、“替代id”：[“rs14205134”]，“URL”：“http://\/dx.doi.org\/10.3390\/rs14205134“，”关系“：{}，”ISSN“：[”2072-4292“]，”issn-type“：[{”类型“：”电子“，”值“：”2072-4292“}]，”主题“：[]，”发布“：{”日期部分“：[2022,10,14]]}}