（INVESTIGATIONS ON THE POTENTIAL OF CONVOLUTIONAL NEURAL NETWORKS FOR VEHICLE CLASSIFICATION BASED ON RGB AND LIDAR DATA）

近年來，通過卷積神經網絡對物體和圖像的檢測、識別和分類技術得到了顯著的改善。為了進一步研究卷積神經網絡的潛力，本文研究了三種基于卷積神經網絡的分類器訓練方法。這些方法通過包含幾百個訓練樣本的數據集上訓練卷積神經網絡，確保其可分類成功。其中兩種方法是基于遷移學習的理論。在第一種方法中，將預訓練的卷積神經網絡產生的特征用于基于支持向量機的分類技術中進行分類。在第二種方法中，對預訓練的卷積神經網絡在不同的訓練數據集上進行微調。在第三種方法中，對平面卷積神經網絡進行嚴格的設計和培訓。所提出的這些方法的評估實驗都是基于由IEEE地球科學和遙感學會（GRSS）提供的包含城市地區(qū)的RGB數據和LiDAR數據的數據集。評估結果表明，這些卷積神經網絡所造成的分類結果都與RGB數據和LiDAR數據的精度水平有關。由RGB數據通過遷移學習轉換成LiDAR數據而得到的特征與單純的RGB數據相比訓練后能夠得到更好的分類結果。使用比常規(guī)神經網絡更少的隱含層的神經網絡也能夠得到最好的分類結果。由此可以表明，LiDAR圖像比RGB圖像在實際應用中可以得到更好的車輛分類數據基礎。

本文提出的三種方法中最成功的方法的新穎之處在于基于RGB數據和LiDAR數據融合的卷積神經網絡在遙感應用方面的培訓。介紹了不同數據融合訓練結果的比較過程。對于未來的工作，計劃測試更多的卷積神經網絡架構，以解決不精確的配置所帶來的誤差問題。此外，還打算采用高光譜數據和RGB以及高光譜數據和LiDAR數據集的組合對CNN分類進行測試。