Multi-KPConv: deep learning-based LiDAR point cloud ground point extraction for complex terrains on the Loess Plateau
Notice bibliographique
Résumé
Accurate extraction of ground points from LiDAR point clouds provides important data for understanding terrain changes and supports decision-making in ecological disaster prevention. Recently, deep learning models have been used to process point clouds directly, with a focus on semantic segmentation of urban scenes using RGB features. However, in complex terrains, using point cloud images to generate RGB features often introduces noise, making high-precision ground point extraction a difficult task. This paper presents a new point-based semantic segmentation network, Multi-KPConv, to overcome these challenges. Unlike methods that rely on color point clouds, Multi-KPConv uses shallow features based on domain knowledge as input to the network. The network employs a multi-dimensional kernel point convolutional architecture to extract high-level semantic features, allowing for better data interpretation. Additionally, the SimAM 3D attention mechanism is integrated to adaptively refine feature contributions and highlight important point features. We evaluate Multi-KPConv on datasets from the Dafosi mining area in China’s Loess Plateau and the STPLS3D dataset. Experimental results show that Multi-KPConv outperforms current state-of-the-art models in terms of generalization and robustness, effectively extracting ground points in complex terrain, such as the gully areas of the Loess Plateau.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».