增强特征融合的动态图卷积的机载LiDAR点云分类

针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性,提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN,并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块,对原始三维点云进行分类。首先,基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征;然后,将全局特征集成于各层的局部特征得到增强局部特征,据此凸显点云不同特征的重要性,使网络更加关注有利于分类的特征;最后,对不同增强局部特征进行特征融合得到深层次特征,从而实现点云的分类。为验证所提模型的分类性能,在GML＿DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN,所提EFF-DGCNN模型具有更好的分类能力,能更好地区分结构相似的点云。