點雲分類(Point Cloud Classification)為點雲資料處理中的一項重要工作，過去點雲分類主要以特定的手工特徵(Handcrafted Features)為基礎，搭配高效能的分類演算法通常可獲得不錯的分類成果，然而欲萃取出重要的手工特徵則有賴於足夠的知識及豐富的經驗；另一方面，功能強大的深度學習演算法(Deep Learning)雖具有自動學習特徵的能力，但往往需透過更複雜的模型架構及更長的計算時間來獲取較高的分類準確度。為了整合手工特徵及學習特徵的優點，本研究以現有三維深度學習網路PointNet為基礎，透過遙測領域中累積已久的經驗及知識，將過去相關研究中已被確認為具有作用的手工特徵加入深度學習網路中，並讓其自行學習找出其他有用之特徵。實驗結果顯示，在無須提升網路模型複雜度的情況下，本研究所提方法 PointNet(F) 確實可以改善PointNet對於局部特徵萃取不足的缺點（圖一）。若與其他機器學習方法及複雜模型進行比較，本研究所提方法無論是在分類成果（圖二）上還是模型訓練時間上（圖三）皆具有最佳的表現。（土木系徐百輝教授提供） 圖一、將手工特徵加入深部學習網路中，可改善原網路架構局部特徵萃取不足的缺點，有效提升點雲分類準確度。 圖二、與其他分類方法比較，本研究所提方法PointNet(F)具有較佳的分類成果。 圖三、與其他分類方法比較，本研究所提方法PointNet(F)可於較短的計算時間下獲得最佳的分類成果。
點雲分類(Point Cloud Classification)為點雲資料處理中的一項重要工作，過去點雲分類主要以特定的手工特徵(Handcrafted Features)為基礎，搭配高效能的分類演算法通常可獲得不錯的分類成果，然而欲萃取出重要的手工特徵則有賴於足夠的知識及豐富的經驗；另一方面，功能強大的深度學習演算法(Deep Learning)雖具有自動學習特徵的能力，但往往需透過更複雜的模型架構及更長的計算時間來獲取較高的分類準確度。為了整合手工特徵及學習特徵的優點，本研究以現有三維深度學習網路PointNet為基礎，透過遙測領域中累積已久的經驗及知識，將過去相關研究中已被確認為具有作用的手工特徵加入深度學習網路中，並讓其自行學習找出其他有用之特徵。實驗結果顯示，在無須提升網路模型複雜度的情況下，本研究所提方法 PointNet(F) 確實可以改善PointNet對於局部特徵萃取不足的缺點（圖一）。若與其他機器學習方法及複雜模型進行比較，本研究所提方法無論是在分類成果（圖二）上還是模型訓練時間上（圖三）皆具有最佳的表現。（土木系徐百輝教授提供）
圖一、將手工特徵加入深部學習網路中，可改善原網路架構局部特徵萃取不足的缺點，有效提升點雲分類準確度。
圖二、與其他分類方法比較，本研究所提方法PointNet(F)具有較佳的分類成果。
圖三、與其他分類方法比較，本研究所提方法PointNet(F)可於較短的計算時間下獲得最佳的分類成果。