Многие методы классификации точечных облаков с использованием глубокого обучения усиливают выражение признаков точечного облака за счёт добавления модулей агрегации признаков, но такие методы часто приводят к увеличению параметров обучения и проблемам переобучения модели. Для решения этой проблемы в данной работе предлагается метод глубокого обучения, объединяющий интегрированные ограничения предсказания и максимизацию энтропии ошибок предсказания для классификации точечных облаков мобильного лазерного сканирования (MLS). Метод с помощью ветви интегрированных ограничений предсказания и ветви максимизации энтропии ошибок предсказания может усилить выражение признаков точечного облака в базовой сети и повысить обобщающую способность модели без увеличения параметров обучения. Ветвь интегрированных ограничений предсказания сначала генерирует интегрированные предсказания, записывая предсказанные значения точечного облака во время обучения, а затем использует ограничение согласованности для усиления выражения признаков модели. Ветвь максимизации энтропии ошибок предсказания побуждает модель максимизировать энтропию для неверно предсказанных точек, увеличивая неопределённость этих точек и улучшая обобщающую способность модели. Предложенный метод был проверен на нескольких общедоступных наборах данных MLS, результаты показывают, что метод может улучшить производительность классификации базового метода без увеличения параметров обучения. В сравнении с другими методами предложенный подход достиг наилучшего среднего показателя IoU (пересечение над объединением) на наборах данных Toronto3D, WHU-MLS и Paris (83,68 %, 65,85 %, 44,19 %), что подтверждает эффективность метода.

дистанционное зондирование; классификация точечных облаков MLS; глубокое обучение; интегрированные ограничения предсказания; максимизация энтропии ошибок предсказания