杨 柳，刘启亮，袁浩涛

(中南大学地球科学与信息物理学院地理信息系，湖南 长沙 410083)

0 引言

近年来，车载或地面激光扫描技术已成为城市三维信息快速获取的重要手段，并广泛用于智能交通、环境保护、智慧城市等领域[1,2]。点云语义分割旨在从杂乱无序的点云中识别与提取地物目标[3]，是城市激光点云数据处理的核心任务之一[4,5]。由于城市激光点云数据中目标多样、密度不均且存在缺失等[6,7]，从中提取地物目标一直是一项具有挑战性的难题[8-10]。长期以来，点云语义分割主要依赖人工设计的特征描述子[11-16]，包括属性特征[17-19](如颜色、高程、反射强度等)、局部几何特征[20-22](如法向量、曲率、主方向等)以及宏观特征[23,24](如形状、特征值分布、离散度等)。基于上述特征描述子，国内外学者主要采用两种策略提取点云目标[25]：1)逐点聚类或分割的策略，即逐点分析局部邻域内特征描述子的差异，采用聚类分析法将点云分割为不同目标[26-30]；2)面向对象的策略，即将点云分割为一系列均质的对象，依据对象特征通过聚类识别点云中的目标[31-36]。然而，人工设计的特征描述子仅能够表达点云低层次的基础特征，难以识别建模场景中高层次语义特征，严重影响了上述点云语义分割方法在复杂城市场景中的应用效果[37]。

近年来，深度学习在图像模式识别领域的突破性进展为城市激光点云语义分割提供了新的研究思路，深度网络可从数据中自动提取从底层到高层的特征，建立从低层次特征到高层次语义的映射关系[38]。……