场景理解是信息科学里的重要研究内容,而三维(3D)数据相比于二维(2D)数据有着众多优势。目前点云的获取有多种方式,且不同获取方式的点云具有不同的特点,此外,基于点云的3D场景理解中的关键技术研究还没有完整、系统的综述。为此,总结了不同方式的点云获取方法,并对不同的点云数据及相关数据库进行对比分析。基于目前3D场景理解的研究进展,针对3D场景理解中的点云滤波、特征提取与点云分割和点云语义分割等技术进行了对比分析与总结。通过对近些年国内外文献的结论进行梳理,凝练出3D场景理解关键技术中存在的问题,并对3D场景理解问题的发展趋势做了展望。基于点云的3D场景理解因其数据的丰富性而被广泛应用在众多领域中,但是目前基于3D点云的场景理解效果,尤其是针对具有颜色信息的激光点云的场景理解,还有众多内容有待深入研究。

在空对地遥感检测中,目标所占视场比例小、视角单一、易受背景干扰且视场高度变化大,这给传统深度学习检测算法带来了挑战。针对该问题,提出一种场景耦合的多任务目标检测算法。首先,设计了一种新的场景耦合目标检测网络结构,将场景分类特征图和目标检测特征图在同一尺度上进行镜像融合,丰富了网络特征描述的细粒度;其次,设计了差异化激活模块,实现特征通道的重要性筛选;然后,推导了多任务耦合的网络优化函数,实现了目标检测损失和场景分类损失的同步优化;最后,建立了空对地目标检测多任务数据集,对所提方法的有效性进行验证。实验证明,本文算法有效提升了空对地小目标检测的精度和稳健性,同时能够自适应不同高度的识别检测多任务需求,为空基无人平台对地智能检测提供了新的思路和方法。