De nombreuses méthodes de classification de nuages de points en apprentissage profond renforcent la capacité d'expression des caractéristiques des nuages de points en ajoutant des modules d'agrégation des caractéristiques, mais ces méthodes entraînent souvent une augmentation des paramètres d'entraînement et un surapprentissage du modèle. Pour résoudre ce problème, cet article propose une méthode d'apprentissage profond intégrant des contraintes de prédiction ensembliste et la maximisation de l'entropie des erreurs de prédiction pour la classification des nuages de points issus du balayage laser mobile MLS (Mobile Laser Scanning). La méthode, via une branche de contraintes de prédiction ensembliste et une branche de maximisation de l'entropie des erreurs, peut renforcer l'expression des caractéristiques des nuages de points du réseau de base et améliorer la capacité de généralisation du modèle sans augmenter les paramètres d'entraînement. La branche de contraintes de prédiction ensembliste enregistre d'abord les valeurs prédites des nuages de points pendant l'entraînement pour générer des prédictions ensemblistes, puis utilise une contrainte de cohérence pour renforcer l'expression des caractéristiques du modèle. La branche de maximisation de l'entropie des erreurs encourage le modèle à maximiser l'entropie des points mal prédits, augmentant l'incertitude de ces points et améliorant la généralisation du modèle. La méthode proposée a été validée sur plusieurs ensembles de données MLS publics, les résultats montrent qu'elle améliore les performances de classification des méthodes de base sans augmenter les paramètres d'entraînement. Comparée aux méthodes concurrents, la méthode proposée obtient les meilleurs scores moyens d'Intersection sur Union (IoU) sur les jeux de données Toronto3D, WHU-MLS et Paris (83,68 %, 65,85 %, 44,19 %), démontrant l'efficacité de la méthode.

télédétection; classification des nuages de points MLS; apprentissage profond; contraintes de prédiction ensembliste; maximisation de l'entropie des erreurs de prédiction