PulseAugur
中
实时 23:52:42
English(EN) 3D LULC classification using multispectral LiDAR and deep learning: current and prospective schemes

新数据集和模型推动多光谱激光雷达三维土地利用/土地覆盖分类

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了新的土地利用/土地覆盖（LULC）分类方案和多光谱激光雷达数据的基准数据集。他们评估了七种深度学习模型，发现Point Transformer V3表现最佳，在8个类别上实现了79.4%的mIoU，在20个类别上实现了58.9%的mIoU。研究表明，与仅使用几何信息的输入相比，多光谱信息显著提高了分类精度，突显了其在详细材料区分方面的价值。 AI

影响 通过利用多光谱激光雷达数据上的深度学习提高土地利用/土地覆盖分类精度，从而推动三维测绘和地理空间分析。

排序理由 学术论文，详细介绍了针对特定AI任务的新数据集和模型评估。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Narges Takhtkeshha, Aldino Rizaldy, Markus Hollaus, Juha Hyypp\"a, Fabio Remondino, Gottfried Mandlburger ·

    3D LULC classification using multispectral LiDAR and deep learning: current and prospective schemes

    arXiv:2605.22328v1 Announce Type: new Abstract: Land Use Land Cover (LULC) classification is essential for national 3D mapping, geospatial analysis, and sustainable planning. Multispectral (MS) LiDAR provides synchronized spatial-spectral information, and deep learning (DL) enabl…

  2. arXiv cs.CV TIER_1 English(EN) · Gottfried Mandlburger ·

    3D LULC classification using multispectral LiDAR and deep learning: current and prospective schemes

    Land Use Land Cover (LULC) classification is essential for national 3D mapping, geospatial analysis, and sustainable planning. Multispectral (MS) LiDAR provides synchronized spatial-spectral information, and deep learning (DL) enables 3D point cloud semantic segmentation; however…

相关实体

相关话题