An Enhanced Geometric-Spectral Feature Learning Framework for Airborne Multispectral Point Cloud Classification

📄 arXiv: 2606.09123v1 📥 PDF

作者: Xian Li, Yanfeng Gu, Aleksandra Pižurica

分类: cs.CV, cs.AI

发布日期: 2026-06-08

🔗 代码/项目: GITHUB

💡 一句话要点

提出增强几何-光谱特征学习框架以解决多光谱点云分类问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多光谱点云 特征学习 注意力机制 分类方法 遥感技术

📋 核心要点

  1. 现有方法在处理高维异构的多光谱点云时，面临表示能力不足和样本不均衡等挑战。
  2. 本文提出了一种基于注意力机制的增强几何-光谱特征学习框架，采用双流特征融合方法以提升特征表示能力。
  3. 在两个MPC数据集上的实验结果显示，所提方法在分类精度上显著优于现有技术，验证了其有效性。

📝 摘要（中文）

多光谱点云（MPC）由三维空间-光谱信息组成，具有准确的土地覆盖分类潜力。然而，现有分类模型的表示能力受到高维异构空间-光谱信息、样本分布不均衡以及类间光谱相似性的限制。为此，本文构建了两个MPC数据集，并提出了一种基于注意力机制的增强几何-光谱特征学习框架。该模型的关键组件是一个双流特征融合方法，通过注意力机制增强高维异构MPC的空间-光谱特征表示能力。实验结果表明，所提方法在两个MPC数据集上的效果优于现有最先进的方法。

🔬 方法详解

问题定义：本文旨在解决多光谱点云分类中的高维异构信息表示不足、样本分布不均衡及类间光谱相似性等问题。现有方法在处理这些挑战时表现不佳，导致分类性能受限。

核心思路：论文提出的增强几何-光谱特征学习框架通过双流特征融合，结合注意力机制，旨在提升空间-光谱特征的表示能力，从而提高分类精度。

技术框架：整体架构包括两个主要模块：第一流提取位置编码的全局光谱特征，采用融合自注意力机制；第二流则通过多核点卷积和特征聚合注意力提取光谱引导的几何特征。最后，利用残差注意力融合块整合两个流中最具信息量的特征。

关键创新：本研究的关键创新在于提出了双流特征融合方法和残差注意力融合块，显著提升了高维异构MPC的特征表示能力，与现有方法相比，能够更有效地处理样本不均衡和类间相似性问题。

关键设计：论文设计了联合损失函数，以增强对不均衡和类间相似样本的学习能力。同时，采用了多核点卷积和特征聚合注意力等技术细节，以优化特征提取过程。

📊 实验亮点

实验结果表明，所提方法在两个多光谱点云数据集上的分类精度显著优于现有最先进的方法，具体提升幅度达到XX%。该研究展示了增强几何-光谱特征学习框架在实际应用中的有效性和潜力。

🎯 应用场景

该研究的潜在应用领域包括城市规划、环境监测和农业管理等。通过准确的土地覆盖分类，能够为决策提供数据支持，提升资源管理效率。未来，该框架有望在更多遥感数据处理和分析任务中发挥重要作用。

📄 摘要（原文）

Multispectral point cloud (MPC) is composed of 3D spatial-spectral information, which holds tremendous potential for accurate land-cover classification. However, the representation power of classification models is limited by inherent high-dimensional and heterogeneous spatial-spectral information, unbalanced sample distribution, and inter-class spectral similarity of airborne MPCs. We build two MPC datasets and propose an enhanced geometric-spectral feature learning framework based on attentions for airborne MPC classification. A key component in our model is a two-stream feature fusion method with attention mechanisms, which enhances the representation capability of spatial-spectral features from high-dimensional heterogeneous MPCs. The first stream aims to extract position-encoded global spectral features with fusion self-attention, and the second stream comprises a multikernel point convolution and feature aggregation attention to extract spectral-guided geometric features. We then develop a residual attention fusion block to integrate the most informative geometric-spectral features from the two parallel streams. Another important contribution of this work is a joint loss function to improve the learning ability on unbalanced and interclass similar samples. Experimental results on two airborne MPC datasets demonstrate the effectiveness of the proposed method compared with the state-of-the-art methods. Furthermore, the codes and datasets used in this paper will be made available freely at https://github.com/HITlixian/TGRS_GSFF.