Muchos métodos de clasificación de nubes de puntos mediante aprendizaje profundo mejoran la capacidad de expresión de las características de la nube de puntos al añadir módulos de agregación de características, pero estos métodos suelen traer un aumento en los parámetros de entrenamiento y problemas de sobreajuste del modelo. Para abordar este problema, en este trabajo se propone un método de aprendizaje profundo que integra restricciones de predicción en ensamblaje y maximización de la entropía de predicción errónea para la clasificación de nubes de puntos de escaneo láser móvil MLS (Mobile Laser Scanning). El método, a través de una rama de restricciones de predicción en ensamblaje y otra de maximización de la entropía de predicción errónea, puede mejorar la expresión de las características de la nube de puntos en la red base y aumentar la capacidad de generalización del modelo sin aumentar los parámetros de entrenamiento. La rama de restricciones de predicción en ensamblaje primero genera valores de predicción en ensamblaje registrando los valores predichos durante el entrenamiento, luego utiliza una restricción de consistencia para mejorar la expresión de características del modelo. La rama de maximización de la entropía de predicción errónea alienta al modelo a maximizar la entropía para los puntos con predicción errónea, aumentando la incertidumbre de esos puntos y mejorando la capacidad de generalización del modelo. El método propuesto fue validado en varios conjuntos de datos públicos de MLS, y los resultados muestran que puede mejorar el desempeño de clasificación del método base sin aumentar los parámetros de entrenamiento. En comparación con métodos contrastantes, el método propuesto alcanzó el mejor promedio de Índice de Intersección sobre Unión (IoU) en los conjuntos de datos Toronto3D, WHU-MLS y Paris (83.68 %, 65.85 %, 44.19 %), demostrando la efectividad del método.

teledetección; clasificación de nubes de puntos MLS; aprendizaje profundo; restricciones de predicción en ensamblaje; maximización de la entropía de predicción errónea