Quy trình xử lý của PointNet có thể được thể hiện như hình 18 [11]:
- Khái quát các đặc trưng của điểm: giả sử cho tập không sắp xếp {x1, x2, …, xn}, PointNet có thể định nghĩa bởi một hàm f ánh xạ một điểm thành vector:
Với và h là mạng MLP.
Để phân tích từng thứ nguyên của đối tượng đã huấn luyện, hiển thị kích hoạt trên từng chức năng điểm NS. Đối với hàm điểm h, chúng ta hình dung điểm xi với h(xi)> T, T là một ngưỡng, để xem thứ nguyên của đặc trưng toàn cục tương ứng với h đã huấn luyện
- Sử dụng C-PointNet được đề xuất để trích xuất đặc trưng được chú ý theo lớp, bao gồm trích xuất đặc trưng theo từng điểm và trích xuất tính đặc trưng toàn cục được thực hiện theo lớp. Thực hiện cấu trúc PointNet thành trích xuất các đặc trưng toàn cục được chú ý theo lớp và tạo bản đồ phản hồi chú ý theo lớp, mô hình chú ý đến lớp được đặt tên là C-PointNet. C-PointNet giữ lại phần trích xuất tính năng mỗi điểm của PointNet, nhưng thay đổi lớp tổng hợp tối đa. Chúng tôi thêm một MLP để giảm kích thước của các tính năng mỗi điểm xuống số lớp và sau đó thực hiện gộp trung bình toàn cầu để tạo ra đầu ra phân loại. Mỗi chiều có
thể 432272 được cho là được liên kết với một lớp cụ thể. Các quy trình tạo bản đồ phản hồi chú ý theo lớp có thể được thực hiện như sau:
+ Đầu tiên, trích xuất các tính năng phân loại theo từng điểm 𝑓𝑐𝑙𝑠 ⊆ ℝ𝑛𝑋𝑘, n và K là số điểm và lớp tương ứng.
+ Dựa trên 𝑓𝑐𝑙𝑠, tính toán bản đồ lớp R(P) theo công thức:
Với Ri(fcls) là một hàm ánh xạ chỉ định các giá trị đặc trưng của lớp chú ý đến các tập hợp điểm gốc, đầu ra của nó là một bản đồ phản hồi lớp đơn. A (·) tìm lớp học tại mỗi điểm tối đa hóa sự chú ý của cả lớp giá trị đặc trưng.
- Tính toán các bản đồ phản ứng của cả lớp để đưa ra quá trình ra quyết định
2.2 Kết quả phân loại LiDAR 2.2.1 Thuật toán K-means 2.2.1 Thuật toán K-means
Mỗi điểm LiDAR trong quá trình phân loại được gán vào một lớp được định nghĩa trong quá trình phân loại. Các điểm này có thể được phân vào một số lớp như: đất trống, thực vật cao, thực vật thấp, và nước .... Thông thường, các mã phân loại đại diện cho kiểu đối tượng được thu nhận trong tín hiệu phản hồi. Phân loại đám mây điểm là bước quan trọng trong quá trình trích xuất thông tin của các lớp như tòa nhà, thực vật, giao thông và mặt nước. Thuật toán phân loại sử dụng K-means sẽ lựa chọn các điểm mẫu trong mẫu ngẫu nhiên từ toàn bộ đám mây điểm. Phương pháp phân loại được thể hiện qua sơ đồ hình 19 và hình 20.
Hình 19: Pseudo code của thuật toán K-means trong phân loại đám mây điểm LiDAR