[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
آمار نشریه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
آمار سایت
مقالات منتشر شده: 344
نرخ پذیرش: 63.4
نرخ رد: 36.6
میانگین داوری: 207 روز
میانگین انتشار: 338 روز
..
:: دوره 13، شماره 2 - ( 6-1404 ) ::
جلد 13 شماره 2 صفحات 123-103 برگشت به فهرست نسخه ها
ارزیابی مدل RandLA-Net برای بخش‌بندی معنایی ابرنقاط سه‌بعدی LiDARHD در محیط‌های شهری پیچیده از طریق بهینه‌سازی پیش‌پردازش
جواد سدیدی* ، حمزه رفیع زاده ، هانی رضائیان
دانشگاه خوارزمی
چکیده:   (13 مشاهده)
بخش‌بندی معنایی ابر نقاط سه‌بعدی یکی از چالش‌های کلیدی در پردازش داده‌های لایدار(LiDAR) و کاربردهای مرتبط با بینایی کامپیوتری، رباتیک و نقشه‌برداری شهری محسوب می‌شود. در این پژوهش، عملکرد مدل یادگیری عمیق RandLA-Net برای بخش‌بندی معنایی ابر نقاط سه‌بعدی مورد بررسی قرار گرفته است. مجموعه داده‌ی مورد استفاده در این پژوهش، داده‌های  LiDARHD هلند موسوم به  AHN4 بوده که شامل اطلاعات ارتفاعی دقیق از مناطق مختلف، به‌ویژه محیط‌های شهری و طبیعی، می‌باشد. برای بهبود دقت مدل، فرآیند پیش‌پردازش داده‌ها شامل حذف نویز، نرمال‌سازی و افزایش داده اعمال شد. به‌منظور سنجش عملکرد مدل، از شاخص نسبت اشتراک به اجتماع (IoU) استفاده شد که درصد همپوشانی بین بخش پیش‌بینی‌شده و بخش واقعی هر کلاس را نشان می‌دهد و معیاری دقیق برای ارزیابی کیفیت بخش‌بندی به شمار می‌رود. نتایج نشان داد که مدلRandLA-Net  در بخش‌بندی کلاس‌هایی مانند زمین (% 92/3 IoU:) ، پوشش گیاهی(% 93/6 IoU:) و ساختمان(% 93/7 IoU:) عملکرد بالایی داشته است.
با این حال، کلاس‌های پیچیده و کم‌نمونه مانند پل
( 65/4%  IoU:)  با دقت کمتری شناسایی شدند. مقایسه‌ی مدل پیاده‌سازی‌شده با روش‌های پایه مانند  PointNet++ و  KPConvنشان می‌دهد که RandLA-Net  توانسته است دقت بالاتر و هزینه‌ی محاسباتی کمتری را ارائه دهد. نتایج کلی این پژوهش، با کسب میانگین نسبت اشتراک به اجتماع (mIoU) کلی برابر با % 78/1 بر روی مجموعه داده LiDARHD، اثربخشی یادگیری عمیق را در افزایش دقت و کارایی بخش‌بندی معنایی ابر نقاط سه‌بعدی برای کلاس‌های پرتکرار تأیید می‌کند. در عین حال، این یافته‌ها بر چالش‌های مداوم در زمینه تفکیک صحیح کلاس‌های کم‌نمونه (نادر) در محیط‌های پیچیده شهری تأکید دارد.
 
واژه‌های کلیدی: ابر نقاط سه‌بعدی، بخش‌بندی معنایی، یادگیری عمیق، RandLA-Net، لایدار(LiDAR)، پیش‌پردازش
متن کامل [PDF 2371 kb]   (6 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: 1404/2/12 | پذیرش: 1404/6/12 | انتشار الکترونیک پیش از انتشار نهایی: 1404/10/24 | انتشار: 1404/10/24
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sadidi J, Rafizadeh H, Rezaian H. Evaluation of RandLA-Net Model for Semantic Segmentation of 3D LiDARHD Point Clouds in Complex Urban Environments through Preprocessing Optimization. jgit 2025; 13 (2) :103-123
URL: http://jgit.kntu.ac.ir/article-1-983-fa.html

سدیدی جواد، رفیع زاده حمزه، رضائیان هانی. ارزیابی مدل RandLA-Net برای بخش‌بندی معنایی ابرنقاط سه‌بعدی LiDARHD در محیط‌های شهری پیچیده از طریق بهینه‌سازی پیش‌پردازش. مهندسی فناوری اطلاعات مکانی. 1404; 13 (2) :103-123

URL: http://jgit.kntu.ac.ir/article-1-983-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 13، شماره 2 - ( 6-1404 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.07 seconds with 36 queries by YEKTAWEB 4735