在神经网络上基于LiDAR的全波形数据的高斯分解方法
Jie Liu1, Xinjie Zhang1, Jing Lv1
1College of Ocean Science and Engineering, Shandong University of Science and Technology, Qingdao, 266590, China.
Scientific reports
|February 15, 2025
概括
本研究提出了一种使用卷积神经网络和预期最大化 (EM) 算法的新方法,用于从空中光检测和射程 (LiDAR) 完整波形数据中准确地提取范围信息. 该技术在绘图和3D建模应用中取得了超过98%的成功率和高精度.
科学领域:
- 地理学工程 工程地质学
- 遥感 遥感 遥感 遥感
- 计算机视觉 计算机视觉
背景情况:
- 空载LiDAR全波形数据包含了关键的距离信息,用于点云生成.
- 准确地提取这些距离数据对于高准确度的3D绘图和建模至关重要.
- 现有的方法在降低噪声和精确估计从复杂波形的参数方面面临挑战.
研究的目的:
- 介绍完整波形LiDAR数据的高斯分解的先进方法.
- 为了提高从空中LiDAR信号中提取范围信息的准确性和成功率.
- 为了利用深度学习和精细的算法来增强数据处理.
主要方法:
- 利用改进的密集连接卷积神经网络 (FWDN) 进行完整的波形数据预处理和降低噪声.
- 采用了一个增强的预期最大化 (EM) 算法用于高斯参数提取 (广度,预期,FWHM).
- 结合深度学习和统计方法来进行强大的信号分解和范围信息检索.
主要成果:
- 在模拟和测量数据上实现了超过98%的分解成功率.
- 获得了不到1.5厘米的平均范围精度,优于其他现有方法.
- 证明有效的降噪和精确的高斯参数估计.
结论:
- 拟议的方法显著提高了从空中LiDAR全波形数据中提取距离信息的准确性.
- 高的成功率和精度表明,在绘图和3D建模方面,实际应用的潜力很大.
- 这种方法为处理复杂的LiDAR波形数据提供了强大的解决方案.
更多相关视频
08:19Simultaneous Data Collection of fMRI and fNIRS Measurements Using a Whole-Head Optode Array and Short-Distance Channels
Published on: October 20, 2023
982
08:49Author Spotlight: Unveiling the Potential of VSFG Microscopy in Studying Mesoscopically Heterogeneous Self-Assembled Structures
Published on: December 1, 2023
1.3K
