تعزز العديد من طرق تصنيف السحب النقطية بالتعلم العميق التعبير عن ميزات السحب النقطية من خلال إضافة وحدات تجميع ميزات السحب النقطية، لكن هذه الطرق غالبًا ما تؤدي إلى زيادة في معلمات التدريب ومشكلة فرط التكيف للنموذج. لمواجهة هذه المشكلة، اقترح هذا البحث طريقة تعلم عميقة تدمج قيود التنبؤ المتكامل وتعظيم إنتروبي التنبؤ الخاطئ لتصنيف سحب النقاط من المسح الليزري المتنقل MLS (المسح الليزري المتنقل). من خلال فرع قيود التنبؤ المتكامل وفرع تعظيم إنتروبي التنبؤ الخاطئ، يمكن للطريقة تعزيز تعبير ميزات السحب النقطية في الشبكة الأساسية وزيادة قدرة تعميم النموذج دون زيادة معلمات التدريب. يقوم فرع قيود التنبؤ المتكامل أولاً بتسجيل قيم التنبؤ للسحب النقطية أثناء التدريب لتوليد قيم تنبؤ متكاملة، ثم يستخدم قيود الاتساق لتعزيز تعبير ميزات السحب النقطية للنموذج. يشجع فرع تعظيم إنتروبي التنبؤ الخاطئ النموذج على تعظيم الإنتروبي للنقاط المخطئة في التنبؤ، مما يزيد من حالة عدم اليقين لتلك النقاط ويعزز قدرة التعميم للنموذج. تم التحقق من الطريقة المقترحة على عدة مجموعات بيانات MLS عامة، وأظهرت النتائج أن الطريقة المقترحة يمكنها تحسين أداء تصنيف الطريقة الأساسية دون زيادة معلمات التدريب. مقارنة بالطرق الأخرى، حصلت الطريقة المقترحة على متوسط أفضل نسبة تقاطع الاتحاد (IoU) في مجموعات بيانات Toronto3D وWHU-MLS وParis (83.68%، 65.85%، 44.19%)، مما يدل على فعالية الطريقة.

الاستشعار عن بعد;تصنيف سحب النقاط MLS;التعلم العميق;قيود التنبؤ المتكامل;تعظيم إنتروبي التنبؤ الخاطئ