Muitos métodos de classificação de nuvens de pontos por aprendizado profundo aumentam a capacidade expressiva das características das nuvens ao adicionar módulos de agregação de características, mas esses métodos frequentemente causam aumento nos parâmetros de treinamento e problemas de sobreajuste do modelo. Para enfrentar esse problema, este artigo propõe um método de aprendizado profundo que integra restrições de predição em conjunto e maximização da entropia de predição errada para classificação de nuvens de pontos de varredura a laser móvel MLS (Mobile Laser Scanning). O método, por meio de um ramo de restrição de predição em conjunto e um ramo de maximização da entropia de predição errada, pode fortalecer a expressão das características das nuvens de pontos na rede base e melhorar a capacidade de generalização do modelo sem aumentar os parâmetros de treinamento. O ramo de restrição de predição em conjunto primeiramente gera valores de predição em conjunto ao registrar os valores preditos das nuvens de pontos durante o treinamento, e então utiliza uma restrição de consistência para melhorar a expressão das características do modelo. O ramo de maximização da entropia de predição errada incentiva o modelo a maximizar a entropia para pontos com predição incorreta, aumentando a incerteza nesses pontos e melhorando a capacidade de generalização do modelo. O método proposto foi validado em vários conjuntos públicos de dados MLS, e os resultados mostram que pode melhorar o desempenho da classificação do método base sem aumentar os parâmetros de treinamento. Em comparação com métodos concorrentes, o método proposto alcançou a melhor média de interseção sobre união (IoU) nos conjuntos de dados Toronto3D, WHU-MLS e Paris (83,68 %, 65,85 %, 44,19 %), demonstrando a eficácia do método.

sensoriamento remoto; classificação de nuvens de pontos MLS; aprendizado profundo; restrições de predição em conjunto; maximização da entropia de predição errada