مدل GNN-GroundFilter برای فیلترینگ معنایی عوارض غیرزمینی از ابرنقطه های متراکم با استفاده از شبکه های عصبی گرافی و مکانیزم توجه

طبقه بندی معنایی و فیلتر کردن دقیق عوارض زمین از داده های ابرنقطه ای سه بعدی، به ویژه در محیط های شهری و پوشش دار از چالش های کلیدی در سنجش از دور و مدل سازی شهری است. در این مقاله، یک چارچوب نوین مبتنی بر شبکه های عصبی گراف (GNN) پیشنهاد می شود که با بهره گیری از ساختار گرافی بین نقاط اقدام به فیلترینگ و طبقه بندی معنایی همزمان عوارض در ابرهای نقطه ای متراکم می نماید. این روش با تعریف گره ها اساس همسایگی بر مکانی و ویژگی های هندسی و طیفی هر نقطه، روابط ساختاری بین عوارض را مدل سازی می کند. با استفاده از معماری (GAT Graph Attention Network) وزن هر گره بر اساس اهمیت همسایگان آموخته می شود. ارزیابی داده های ISPRS و Semantic۳D انجام شده و نتایج نشان می دهد که دقت طبقه بندی کلی تا ۹۳٪ و دقت فیلتر کردن زمین تا ۹۷٪ قابل دستیابی است. نتایج با روش های پیشین از جمله PointNet، MVC و RandLA Net مقایسه شده اند.

کلیدواژه ها:

ابر نقطه ای ، طبقه بندی معنایی ، فیلترینگ ، زمین ، شبکه عصبی ، گراف ، GNN ، یادگیری عمیق