Viele Deep-Learning-Methoden zur Klassifikation von Punktwolken verbessern die Ausdrucksfähigkeit von Punktwolkenmerkmalen durch die Hinzufügung von Modulen zur Merkmalaggregation, bringen jedoch oft eine Erhöhung der Trainingsparameter und Probleme der Modellüberanpassung mit sich. Zur Lösung dieses Problems wird in dieser Arbeit eine Deep-Learning-Methode vorgeschlagen, die integrierte Vorhersagebeschränkungen und Maximierung der Fehlervorhersageentropie für die Klassifikation von mobilen Laserscanning (MLS) Punktwolken kombiniert. Die Methode kann durch einen Zweig für integrierte Vorhersagebeschränkungen und einen Zweig zur Maximierung der Fehlervorhersageentropie ohne Erhöhung der Trainingsparameter die Ausdrucksfähigkeit der Punktwolkenmerkmale im Basisnetzwerk verbessern und die Generalisierungsfähigkeit des Modells steigern. Der Zweig für integrierte Vorhersagebeschränkungen generiert zunächst integrierte Vorhersagewerte, indem während des Trainings die Vorhersagewerte der Punktwolken aufgezeichnet werden, und verwendet dann Konsistenzbeschränkungen zur Verstärkung der Merkmalserkennung des Modells. Der Zweig zur Maximierung der Fehlervorhersageentropie ermutigt das Modell, die Entropie für falsch vorhergesagte Punkte zu maximieren, erhöht so die Unsicherheit dieser Punkte und verbessert die Generalisierungsfähigkeit des Modells. Die vorgeschlagene Methode wurde auf mehreren öffentlichen MLS-Punktwolkendatensätzen validiert; die Ergebnisse zeigen, dass die Methode die Klassifikationsleistung der Basismethode ohne Erhöhung der Trainingsparameter verbessern kann. Im Vergleich zu anderen Methoden erzielte die vorgeschlagene Methode die besten durchschnittlichen Intersection-over-Union (IoU)-Werte auf den Datensätzen Toronto3D, WHU-MLS und Paris (83,68 %, 65,85 %, 44,19 %) und demonstriert damit ihre Wirksamkeit.

Fernerkundung; MLS-Punktwolkenklassifikation; Deep Learning; integrierte Vorhersagebeschränkungen; Maximierung der Fehlervorhersageentropie