多くの深層学習による点群分類手法は、点群特徴の集約モジュールを追加することで点群特徴の表現能力を強化していますが、これらの手法はしばしば学習パラメータの増加やモデルの過学習という問題を引き起こします。本論文では、この問題に対して統合的な集成予測制約と誤予測エントロピー最大化を用いた深層学習手法を移動型レーザースキャニング（MLS）点群分類に提案します。本手法は集成予測制約ブランチと誤予測エントロピー最大化ブランチを通じて、学習パラメータを増やすことなくベースラインネットワークの点群特徴表現を強化し、モデルの汎化性能を向上させます。集成予測制約ブランチはまず学習過程で点群の予測値を記録し、集成予測値を生成し、その後一貫性制約によりモデルの点群特徴表現を強化します。誤予測エントロピー最大化ブランチは誤予測となった点に対してエントロピー値の最大化を促し、その点の不確実性を増加させ、モデルの汎化性能を向上させます。提案手法は複数の公開MLS点群データセットで検証され、その結果、学習パラメータを増やすことなくベースライン手法の分類性能を向上できることが示されました。比較手法と比べて、提案手法はToronto3D、WHU-MLS、Parisデータセットで最適な平均交差率（83.68%、65.85%、44.19%）を達成し、本手法の有効性を示しています。

リモートセンシング; MLS点群分類; 深層学習; 集成予測制約; 誤予測エントロピー最大化