本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

Oct, 2019

本文提出了一种基于深度学习的弱监督 ALS 点云语义分割框架，在不完整和稀疏标记的未标记数据中利用潜在信息。通过熵正则化、一致性约束和在线软伪标记策略等，显著提高了分类性能，且效率高于当前弱监督方法。ISPRS 3D Labeling Vaihingen 数据集上，该方法只使用 0.1％ 的标记，达到了 83.0％ 的总体精度和 70.0％ 的平均 F1 分数，相较于只使用稀疏标记信息的模型，其提高了 6.9％ 和 12.8％。

Oct, 2021

本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

Sep, 2019

该研究设计了 FPS-Net 网络，利用点云投影图像的不同特征进行多模态特征融合，旨在优化点云的分段。该网络的有效性在广泛实验中得到证明，可以实现优于现有方法的语义分割，并且引入的多模态融合思想也兼容于典型的投影方法。

Mar, 2021

本文提出了一种高效的深度学习框架 ELGC-Net，用于远程感知变化检测任务，并通过捕获丰富的上下文信息精确估计变化区域，减小模型尺寸，从而在遥感变化检测基准测试中取得了最新的最佳性能。

Mar, 2024

本论文提出一种新型神经网络用于对 ALS 点云进行语义标注，名为全局关系感知注意网络 (GraNet)，该方法首先使用一个本地空间注意卷积模块 (LoSDA) 学习本地几何描述和本地依赖关系，然后使用全局关系感知注意模块 (GRA) 学习任何空间位置和特征向量之间的全局空间和通道关系，以上两个重要模块嵌入多尺度网络架构中，实验结果表明，与其他常用高级分类方法相比，我们的方法在两个 ALS 点云数据集上均可获得更高的分类精度。

Dec, 2020

本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率，F1 分数比最高准确率方法高 1.69%。此外，本文还展示了该方法可轻松扩展到 2D 语义分割任务。

Oct, 2017

本文提出了一种用于无人机 LiDAR 点云分类的方向约束全卷积神经网络模型（D-FCN），该模型利用方向约束点卷积模块和多尺度卷积神经网络实现了点云的语义标记，取得了 70.7% 的平均 F1 得分和大幅提高了点数较少目标（如电线、汽车和立面）的分类性能。

Aug, 2019

通过利用 LiDAR 点云和卫星地图，AGL-NET 提出了一种新的基于学习的全球定位方法，解决了图像和点云数据之间的表征差异以及全局视图和局部视图之间的尺度差异的关键挑战。AGL-NET 采用一种统一的网络架构，通过创新的两阶段匹配设计来提取信息化的神经特征，并引入了新颖的尺度对齐步骤来校正 LiDAR 和地图数据之间的尺度变化，进一步通过新颖的尺度和骨骼损失函数指导网络学习尺度不变的特征表征，从而消除了预处理卫星地图的需要，显著提高了在未知地图尺度情况下的实际应用性。为了促进严格的性能评估，我们在 CARLA 模拟器中引入了一个精心设计的数据集，专门用于度量定位训练和评估。代码和数据集将公开提供。

Apr, 2024

本研究提出了一种名为 Local-to-Global auto-encoder（L2G-AE）的自编码器模型，通过引入层次自注意力机制和重构局部区域大小以及局部到全局的关系，能够更好地了解点云的局部和整体结构，同时在形状分类，检索和上采样等方面比现有方法表现更卓越。

Aug, 2019