基于RGB和LIDAR数据的车辆分类神经网络模型研究

（INVESTIGATIONS ON THE POTENTIAL OF CONVOLUTIONAL NEURAL NETWORKS FOR VEHICLE CLASSIFICATION BASED ON RGB AND LIDAR DATA）

近年来，通过卷积神经网络对物体和图像的检测、识别和分类技术得到了显着的改善。为了进一步研究卷积神经网络的潜力，本文研究了三种基于卷积神经网络的分类器训练方法。这些方法通过包含几百个训练样本的数据集上训练卷积神经网络，确保其可分类成功。其中两种方法是基于迁移学习的理论。在第一种方法中，将预训练的卷积神经网络产生的特征用于基于支持向量机的分类技术中进行分类。在第二种方法中，对预训练的卷积神经网络在不同的训练数据集上进行微调。在第三种方法中，对平面卷积神经网络进行严格的设计和培训。所提出的这些方法的评估实验都是基于由IEEE地球科学和遥感学会（GRSS）提供的包含城市地区的RGB数据和LiDAR数据的数据集。评估结果表明，这些卷积神经网络所造成的分类结果都与RGB数据和LiDAR数据的精度水平有关。由RGB数据通过迁移学习转换成LiDAR数据而得到的特征与单纯的RGB数据相比训练后能够得到更好的分类结果。使用比常规神经网络更少的隐含层的神经网络也能够得到最好的分类结果。由此可以表明，LiDAR图像比RGB图像在实际应用中可以得到更好的车辆分类数据基础。

本文提出的三种方法中最成功的方法的新颖之处在于基于RGB数据和LiDAR数据融合的卷积神经网络在遥感应用方面的培训。介绍了不同数据融合训练结果的比较过程。对于未来的工作，计划测试更多的卷积神经网络架构，以解决不精确的配置所带来的误差问题。此外，还打算采用高光谱数据和RGB以及高光谱数据和LiDAR数据集的组合对CNN分类进行测试。