徐 军,尹长林,许文强

(1.湖南省第二测绘院，湖南 长沙 410009;2.自然资源部 南方丘陵区自然资源监测监管重点实验室，湖南 长沙 410009;3.长沙市规划信息服务中心，湖南 长沙 410013)

现有的倾斜摄影城市三维场景仅表达了城市的表面特征，缺乏语义信息，不利于深度应用。为此，本研究提出了一种基于深度学习神经网络的倾斜摄影三维模型的语义分割方法。针对倾斜摄影三维格网转换后的点云数据，首先采用最小能量计算进行几何分区和超点图构建，采取一种特征融合神经网络模型FF-PointNet（feature fusion-pointNet），实现点云局部特征和全局特征提取和融合，并将融合后的特征嵌入超点图，最后采用图卷积网络进行语义分割。为提高模型泛化能力，采用focal loss作为损失函数，同时对点云数据进行了数据增强处理。经过实验验证，并与SPG模型进行对比，结果表明本文所提出的倾斜摄影三维语义分割方法具有较好的精度和适用性。

利用倾斜摄影平台快速获取多角度影像，已成为当前获取空间数据的有效方式之一，尤其是在三维城市建设等领域有着独特的优势。倾斜摄影具有数据采集速度快、生产成本低、自动化程度高、成果表达丰富等特点,近年来逐渐成为城市三维建模的主流方法。

但是倾斜摄影三维数据存在的一个普遍问题是缺乏语义信息，计算机无法自动识别和区分场景中的地面、树木、建筑、道路等不同类型的语义信息，重建后的模型往往只能用于展示和浏览。语义分割是提取三维数据语义信息的必要手段，其目标是对感兴趣的几何要素对象（如三维点、面片等）自动分配一个类别标签。……