sponsored links

一種改進的全卷積網路鐳射點雲分類方法

種改進的全卷積網路鐳射點雲分類方法

宋伯宇1,2,彭 玲1,池天河1,吳 同1,2

(1.中國科學院 空天資訊創新研究院,北京 100094;

2.中國科學院大學,北京 100094)

摘 要:針對在三維空間對點雲卷積容易產生過擬合情況,影響點雲分類精度的問題,該文提出了一種融合空洞條件隨機場的三維點雲卷積方法,基於後處理的方式,引入的空洞條件隨機場可以對點雲中的點進行近鄰相似性懲罰並且根據預測結果調整特徵權重,從而有效減小過擬合效應,提高點雲分類的預測精度。本文在國際攝影測量與遙感協會(ISPRS)帶標籤點雲資料集上進行了對比實驗,結果表明:該文提出的方法在實驗區域點雲分類結果上優於其他方法,總體精度達到83.9%。平均F1分數達到71.0%。

關鍵詞:全卷積網路;條件隨機場;後處理;鐳射點雲;分類

0 引言

機載鐳射雷達(airborne laser scan ,ALS)系統[1]為獲取3D空間資料提供了一種新的技術方法。與主要在規則空間格網中提供光譜資訊的常用衛星影象不同,ALS系統以3D點雲格式捕獲資料,這提供了可靠的深度資訊,可用於精確定位物件並展現其結構。高精度點雲資料的可用性提高,為許多應用打開了更多的可能性,例如,生成數字高程模型[2]、3D建築物重建[3]和大型動態環境中的場景理解[4]

在計算機視覺[5]、遙感以及攝影測量學[6]領域,提高點雲分類的準確性一直是研究的熱點。研究人員已經做了很多有意義的嘗試,文獻[7]提出的基於支援向量機(support vector machine, SVM)的城市點雲分類,文獻[8]提出的基於結合條件隨機場(conditional random field, CRF)的隨機森林方法的建築物點雲提取,國內的文獻[9]提出的融合Kdtree鄰域查詢的深度學習點雲分類方法。

在過去的幾年中,由於卷積神經網路表現出了具有提高點雲自動分類效果的潛力,使用卷積神經網路進行點雲分類逐漸成為研究的熱點。在幾個點雲分類的標準資料集的定量結果中,分類精度高的方法很多采用卷積神經網路模型。

在眾多應用卷積神經網路的點雲分類方法中,俄勒岡州立大學機器人技術與智慧系統研究所的研究者提出的點雲卷積方法(point convolution,PointConv[10])可以高效地對非均勻取樣的3D點雲資料進行卷積操作,效能卓越。該方法可以使用非均勻取樣點在3D點雲上進行卷積操作,減少了資料預處理的操作。在三維空間卷積過程中,透過多層感知機(multilayer percrptron, MLP)[11]模擬連續函式計算出相應的權重函式,並由於PointConv對卷積的完全近似,因此可以很自然地將PointConv擴充套件到點雲反捲積(point deconvolution, PointDeconv),在下采樣和上取樣過程中都應用到卷積操作,從而提高點雲語義分割的準確性。

但是在點雲分類的實驗中發現,只使用PointConv進行點雲分類容易受過擬合效應的影響, 容易在不同種類的點雲銜接處出現誤分類。為了解決該問題,本文提出將PointConv結合空洞條件隨機場(atrous conditional random field, A-CRF)來引入可控噪聲克服過擬合問題,使用人工標籤資料引入可控噪聲,增加近鄰懲罰,進而最佳化模型引數。本文提出的方法在瓦和因根Vaihingen資料集進行實驗,結果顯示,本文提出的結合A-CRF的PointConv方法在點雲分類任務中總體精度達到83.9%,平均F1分數為71.0%。

1方法

1.1 Atrous CRF空洞條件隨機場模型

由於只使用PointConv卷積模型來預測點雲容易產生過擬合問題[12],本文提出利用Atrous CRF(A-CRF)空洞條件隨機場模型來克服過擬合問題,提高模型的預測精度。A-CRF空洞條件隨機場模型具有計算點的相似性並且根據預測資訊調整特徵權重的作用,可以有效減小過擬合的影響。

A-CRF中Atrous的意思是選擇間隔的點進行計算,目的是減少計算量,節約計算記憶體[13]。為了便於直觀理解,圖1是在二維平面上選擇空洞近鄰點的示意圖,K代表選擇近鄰點的個數,D代表間隔的點數,選擇的近鄰點用黑色點表示,未選擇的點用淺色點表示,中心用黃色點表示。

一種改進的全卷積網路鐳射點雲分類方法


圖 1 二維平面選擇5個空洞近鄰點示意圖

只選擇K個近鄰點的原因是一片點雲資料可以佔據很大一塊空間,距離太遠的點相互之間幾乎沒有影響,透過忽略掉這些距離過遠的點,可以節省模型的計算時間。空洞條件隨機場模型的演算法如表1所示。

表1 A-XCRF演算法

一種改進的全卷積網路鐳射點雲分類方法


Bf 和Sf 能作為近鄰懲罰函式是因為它們的值會隨著對應點之間的歐氏距離降低而增加,隨著對應點之間的歐氏距離增加而降低,也就是說,對於附近和類似的點,懲罰比重大;而對於較遠或不相似的點,懲罰比重較小。在演算法的第4步中,對高斯輸出進行加權,並在完整體系結構的訓練過程中對核心Wb和Ws進行更新。在第5步中,原始一元勢函式被更新。在第6步中,將一元勢函式與相似懲罰相結合,用來在迭代中更新一元勢函式。

訓練A-CRF演算法需要兩步過程。第1步是透過交叉驗證方法[14]訓練模型來尋找PointConv框架的最佳模型引數。交叉驗證部分對防止過擬合十分重要。

第2步利用第一步中經過驗證的模型訓練A-CRF空洞條件隨機場模型引數,使用未標記的測試資料集進行訓練,這些點的標籤是透過第1步的模型預測出來的,稱為人工標籤(Artificial label),見圖2。人工標籤的標記質量取決於第1步模型的準確性。第2步的基本思想是透過人工標籤來引入噪聲,從而反向讓PointConv模型更加按照A-CRF的懲罰方向來訓練模型引數。

一種改進的全卷積網路鐳射點雲分類方法


圖2 訓練帶A-CRF後處理的PointConv流程

為了維持經過驗證模型的準確性,第2步中的訓練過程會在兩個資料集(訓練資料集和帶有人工標籤的資料集)之間連續交換。在兩個資料集上的訓練都是透過交叉熵損失函式來計算,然後透過反向傳播演算法進行引數的更新。不同的是,對於訓練資料集,使用反向傳播演算法是Pointconv核心與A-CRF核心都更新,而對於人工標籤資料集,只更新Pointconv核心。

本文提出的方法是利用帶有標籤的訓練資料集訓練PointConv+ A-CRF模型的引數,將預測的結果與資料集標籤比對計算損失函式來更新Pointconv核心與A-CRF核心,將未標記的資料集放入PointConv+ A-CRF模型計算,得出的預測結果與PointConv模型對未標記資料集的直接預測結果進行比對,這裡相當於引入了可控的噪聲,透過計算損失函式來更新PointConv核心,來強迫PointConv模型遵循A-CRF空洞條件隨機場的近鄰懲罰規則,這兩個部分迴圈進行,直到收斂。經過訓練的模型,包括Pointconv卷積計算以及A-CRF交叉驗證,共同組成了最終的點雲分類器,見圖3。



圖3 點雲分類器

2實驗分析

2.1實驗資料

為了驗證本文提出方法的分類效果,本文在公開資料集上做點雲語義分割實驗,資料集選用國際攝影測量與遙感學會(International Society for Photogrammetry and Remote Sensing,ISPRS)[15]帶標籤點雲Vaihingen資料集。這個資料集是使用Leica ALS50系統獲取的機載鐳射掃描資料集,以平均飛行高度500m在德國Vaihingen村莊上方獲得。該資料集的平均點密度為每平方米6.7個點,並具有9個類別的語義標籤(電力線、低矮植被、地表、汽車、圍欄、屋頂、外牆、灌木叢和樹木)。在每個點檔案資訊裡儲存有三維座標(XYZ)、點強度資訊、距地表高度資訊(height above ground,HaG)和語義標籤等資訊。

按照ISPRS 3D資料集競賽的標準設定,根據場景區域將資料集分為兩部分。第一個場景(圖4場景1)作為訓練資料集具有753876個點,其他兩個場景(圖6場景2和場景3)作為測試資料集具有411722個點。表2顯示了每個場景的詳細類別分佈。



圖4 ISPRS 3D帶標籤資料集

表2 每個場景的點雲種類分佈



根據ISPRS資料競賽的標準,通常使用精度(precision),召回率(recall),F1分數和總體精度(overall accuracy,OA)來評估3D點雲語義分割的結果好壞。一般而言,總體精度OA用於評估所有類別的整體分類準確性,其定義為正確分類的點在總測試點中所佔的百分比。此外,F1分數綜合考慮了分類模型的精度和召回率,通常更適合類別不是均勻分佈的情況。每個類別的精度(precision),召回率(recall)和F1得分定義如下:



式中:TP(true positive)即真正類,代表被分類器正確標記為正的正元組;FP(false positive)即假正類,代表誤報,被分類器錯誤標記為正的負元組;FN(false negative)即假負類,代表漏報,被分類器錯誤標記為負的正元組。

2.2實驗引數

首先忽略Z軸,使用100 m×100 m的方塊對訓練資料集進行切片,得到12個數據塊,每塊包含25000~120 000個點。在這些資料塊中,有80%用於訓練,其餘的用於驗證,這裡需要注意的是要確保訓練資料和驗證資料之間沒有重疊。然後,再使用25 m×25 m的方塊對每個100 m×100 m的資料塊進行切片,這裡透過將初始資料塊移動12.5 m,即資料塊邊長一半的距離,進行切片,目的是使重新切片的每個資料塊之間所有邊緣重疊,進而增加資料塊的數量和每塊中點的數量。最終為訓練資料生成286個塊,為驗證資料生成44個塊,每個方塊裡點數在1300~9 000變化。採用相同的方式也對測試資料集進行了切片,生成了119個測試資料塊。需要注意的是,這時所有點的空間座標已經轉換為了區域性座標,原點位於該點所屬塊的中心。

本實驗將提出的方法部署在Tensorflow框架上,在網路訓練過程中,設定batch size為6,採用自適應矩估計最佳化器(adam optimizer),設定初始學習率為0.01,然後每3000步將學習率減半。在TITAN RTX 2080顯示卡上將本文模型訓練1000個epoch,直到最終收斂,用時大約9 h。

在A-CRF引數設定上,先假設每個引數對最後的交叉熵損失函式貢獻相等,將權重引數初始化為1。高斯濾波器引數使用網格搜尋進行初始化[14]

A-CRF透過5次迭代(r)既更新A-CRF本身的引數,也更新PointConv引數用於最終預測。搜尋近鄰點在6個層次上進行,間隔點數D分別設為1、2、3、4、8和16,對於每個層次,都使用K=64,即搜尋64個近鄰點,因此,對於A-CRF考慮的最遠近鄰點是第1024點(K=64,D=16)。

2.3實驗結果

本實驗將ISPRS帶標籤點雲資料集的場景一部分當作訓練集,訓練本文提出的模型,直到收斂。然後將場景二和場景三中劃分好的區塊輸入模型中,進行預測。

本實驗合併了每個區塊的預測結果,獲得最終的點雲分割結果(圖5),圖中展示的是本文提出的模型在ISPRS資料集場景二和場景三上的預測結果,黑色的框包圍的地方是挑選的對分類結果進行細節展示的區域。本實驗還製作了分類結果的誤差圖(圖6),可以比較直觀地展示分類結果情況。由圖7和圖8的分類結果以及分類誤差可以看出,本文提出的方法可以準確地分類出大部分測試資料集的標籤。

透過觀察分類結果(圖5),可以很清晰地看出本文提出的模型在地表、屋頂、樹木類別分類準確,而且準確分類出了大部分的電力線,可以清晰地看出電力線的走向,這與本文使用空洞條件隨機場做後處理有很大關係,透過引入帶人工標籤的資料集進行相似性懲罰來提高模型的分類精度,尤其是對線狀型別的分類,電力線就是很好的例子。



圖5分類結果



圖6 分類誤差

結合分類結果(圖5)和誤差分類(圖6)可以看出,錯誤分類的部分主要集中在灌木叢與低矮植被交疊的地方,而地表、屋頂等大片區域基本達到正確分類。本文認為由於房屋附近植被情況複雜,很有可能出現不同植被混雜在一起的情況,很難做到完美分類。圖7(a)是用於參考的標準分類結果,圖7(b)是本文提出的使用A-CRF處理後的PointConv分類結果,圖7(c)是隻使用PointConv的分類結果。從圖中紅色圈出部分可以看出,只使用PointConv的分類結果在房屋旁本應被分類為樹木的點有一部分被錯誤分類到屋頂的類別,而加入本文提出的使用A-CRF處理後的PointConv分類結果則沒有出現這種誤分類,和作為參考的Groundtruth分類結果接近。



圖7 分類結果細節對比

根據分類結果在細節上的對比,可以看出PointConv對點雲的分類確實容易受到過擬合的影響,進而在不同種類的點雲銜接處出現誤分類,而本文提出的使用A-CRF做後處理在很大程度上解決了這個問題。

2.4對比分析

為了證明該模型的優勢,本文將其與參加ISPRS競賽的其他模型進行了比較。在該資料集測試中表現最佳的前8種模型分別為UM、WhuY2、WhuY3、LUH、BIJ_W、RIT_1、NANJ2、WhuY4,表3列出了本文方法模型與所有比較方法模型的OA和F1分數。

表 3本文方法與其他方法在Vaihingen資料集上的定量比較

一種改進的全卷積網路鐳射點雲分類方法


從表3可以看出,本文提出的方法在平均F1分數上比其他方法得分都要高,並且在電力線、地表以及外牆的分類精度上比其他方法的最優值分別提高了6.2%、0.8%、3.8%。本文方法是在PointConv基礎上增加了條件隨機場後處理,與單獨的PointConv方法實驗結果相比,總體精度上提高了0.6%,平均F1分數提高了0.8%。

除此之外,還將本文模型與其他近期新提出的在點雲分類上流行的方法進行了比較,比較的模型包括PointNet++[16]、PointSIFT[17]和PointCNN[18],從表4可以看出,本文提出的方法在總體精度和平均F1分數上都優於其他3種方法,在點雲分類中有更好的表現。造成這種效能差異的主要原因是本文提出的方法在PointConv基礎上增加了空洞條件隨機場後處理,解決了過擬合問題。

表4 本文方法與基於點雲分類流行方法在Vaihingen資料集上的定量比較



3 結束語

本文提出了一種解決點雲卷積過擬合的方法,主要是將空洞條件隨機場A-CRF作為PointConv的後處理,並對A-CRF訓練過程進行改進,利用資料集的未標記部分來提高模型的預測準確性。本文提出的模型不僅可以真正實現在點雲上的卷積操作,還可以透過條件隨機場引入受控噪聲,防止過擬合發生。在預處理工作中,本文將點雲切成區塊,將距離地表高度資訊HaG以及點強度資訊作為感興趣特徵進行分析,PointConv被用作分類器。在後處理步驟,A-CRF可以被看成是一個深度學習層,強迫PointConv利用人工標記的點進行相似性懲罰。

使用ISPRS 3D帶標籤基準資料集進行了實驗,將本文方法與PointNet++、PointSIFT、PointCNN進行比較,還與已在基準資料集上測試的其他技術進行比較,結果表明,本文提出的方法在平均F1分數上達到了最優(71.0%),總體精度也接近目前最好的水平。

作者簡介宋伯宇(1995—),男,河北廊坊人,碩士研究生,研究方向為地圖學與地理資訊系統。Email:[email protected]

基金專案:北京市科技計劃課題專案(Z191100001419002)

通訊作者:彭玲 研究員 E-mail:[email protected]

引用格式:宋伯宇,彭玲,池天河,吳同.一種改進的全卷積網路鐳射點雲分類方法[J].測繪科學,2021,46(5):77-83.

分類: 健康
時間: 2021-10-28

相關文章

為何很多醫生都不建議患者做核磁共振檢查?你知道原因嗎?

為何很多醫生都不建議患者做核磁共振檢查?你知道原因嗎?
導語:核磁共振檢查是一種能夠檢查患者多種實質器官,對心臟和大血管有極好診斷能力,透過這項技術,醫生們可以從更高解析度,更清晰的影象中發現許多肉眼都沒有辦法發現的疾病,幫助患者及早發現隱情,及早治療,緩 ...

12歲男童被查出癌症晚期,醫生提醒:背後有3大原因,不可忽視

12歲男童被查出癌症晚期,醫生提醒:背後有3大原因,不可忽視
眾所周知,肺癌發病率位居第一,並且大多數好發於長期吸菸的男性.而在去年9月,一位12歲男孩小黃,竟被查出肺癌晚期,目前正在接受治療. 湖南省腫瘤醫院胸內二科主治醫師李康表示,"在我的從醫生涯 ...

“不要搶救我”!87歲老人肝癌晚期拒絕手術化療,帶著尊嚴離去

“不要搶救我”!87歲老人肝癌晚期拒絕手術化療,帶著尊嚴離去
氣管切開,插上導管,連上機器,一天24小時不停輸液,在奄奄一息的癌症患者身上,用盡一切辦法來延續生命,這些情況幾乎每天都上演. 可是這樣的操作,真的是終末期癌症患者需要的嗎?這樣的搶救手段,恐怕連懲罰 ...

34歲脂肪肝,會變成肝癌嗎?醫生:防控不能忽視這5點

34歲脂肪肝,會變成肝癌嗎?醫生:防控不能忽視這5點
幾天前,胖乎乎的小劉拿著單位的體檢報告來找我. 小劉今年34歲,體態比較彪悍,身高168cm,體重210斤,平時經常加班,常常熬夜喝酒. 本文為"心路星塵"原創 人物與文章內容無關 ...

懷孕24周,她被確診為肝癌晚期
幾年前,我在婦產科輪轉的時候,遇到了一個非常特殊的患者.和其他科室不太一樣,來產科入住的大多數人都只是普通孕婦,她們來醫院只是為了生產或者保胎,某種意義上來說, 她們稱不上患者.可是她卻不一樣. 她也 ...

3天沒排便,30歲小夥確診腸癌?醫生:預防靠飲食,選擇很重要

3天沒排便,30歲小夥確診腸癌?醫生:預防靠飲食,選擇很重要
三天沒去廁所大便,有問題嗎? 雖然我們每個人的情況不太相同,但是要知道,吃喝拉撒是大家最普遍的生理需求,很多人每天都要去一趟廁所,就算不是每天去,那麼三天去上廁所也能接受. 可是好多天不想上廁所,而且 ...

常香玉65歲演出,觀眾的熱情像極了野性消費的網友,卻累壞了大師

常香玉65歲演出,觀眾的熱情像極了野性消費的網友,卻累壞了大師
2004年6月1日,豫劇大師常香玉在鄭州因病逝世,享年81歲. 儘管老人彌留之際留下"喪事從簡,不發訃告"的遺囑,希望身後事不要驚擾大家. 但3號上午,在鄭州市殯儀館的遺體告別會上 ...

研究發現:65歲以後,人的壽命取決於這項能力,4種方法自測強弱

研究發現:65歲以後,人的壽命取決於這項能力,4種方法自測強弱
衰老是每個人都不可避免的生理狀態.而運動能力會隨著年齡的增長而減弱,可你知道嗎?其實,運動能力的減弱,還影響著壽命. 近日,發表在<英國醫學雜誌>釋出的一項研究就證實了這一點:隨年齡的增長 ...

醫生判斷他只能活半年,晚期肺癌的他卻已活了四年
2017年3月,50歲的汪先生因為咳嗽和胸悶,查CT發現胸腔積液和肺部包塊,胸水中查出腺癌細胞,於是開始全身化療.前期化療有效,但第四周期化療後,病情就不再受控,出現快速進展. 2017年10月,汪先 ...

65歲趙雅芝有一顆不老的心!最新活動穿櫻桃裙甜美溫柔,狀態超好

65歲趙雅芝有一顆不老的心!最新活動穿櫻桃裙甜美溫柔,狀態超好
趙雅芝是好幾代觀眾的女神,尤其是90後,童年時期迷戀<新白娘子傳奇>,那時候趙雅芝已經不是20幾歲的小姑娘,演白素貞的時候已經38歲了.但絲毫看不出來,白娘子一襲白衣美麗大方,38歲演出了 ...

穿對了就很美!上海平均65歲的大媽,打扮優雅時尚,比年輕人講究

穿對了就很美!上海平均65歲的大媽,打扮優雅時尚,比年輕人講究
當你老了,身材不再纖細有型,皺紋在臉上織網,會以怎樣的姿態度過餘生?很多人會甘願平庸穿著"老年裝"做個普通人,而在上海街頭,就有這樣一群平均年齡65歲的大媽,她們不被標籤定義,打扮 ...

11歲男童僅120公分,醫生:過早做3類運動,或會毀身高,慎重選擇

11歲男童僅120公分,醫生:過早做3類運動,或會毀身高,慎重選擇
"案例" 南寧瀚林御景的陳哥,有一個11歲了還特別矮的孩子叫南南,只有120公分的他,每次在小區裡玩耍,都有其他小朋友叫南南"矮冬瓜".陳哥聽了心裡很不好受,於 ...

若年齡或了65歲,還能做到這幾件事,或說明身體素質還不錯

若年齡或了65歲,還能做到這幾件事,或說明身體素質還不錯
導語:大家有沒有感覺到自己的身體發生了一些變化?隨著我們年齡的增長,想必大家越來越能體會到我們的身體在不斷的變化,而且這個變化,還並不是很好的變化! 我說個事情大家就知道了,我們會發現,隨著我們不斷變 ...

遭到45歲家居保姆勇敢告白,65歲阿姨:我老但不迷糊,請你離開

遭到45歲家居保姆勇敢告白,65歲阿姨:我老但不迷糊,請你離開
前言 保姆行業有著自己的規定和要求,但是即便如此嚴格地監督他們,卻依然有某些保姆為了利益而選擇鋌而走險. 自述人:嚴阿姨,今年65歲 我今年65歲,是一位知名企業的退休高管,我是在60歲的時候退休的, ...

65歲農民有什麼福利?五種福利現已彙集,為農村老人保駕護航

65歲農民有什麼福利?五種福利現已彙集,為農村老人保駕護航
俗話說六十一甲子,七十古稀年,每個人步入老年之後,必須要面對養老和醫療等一系列難題,怎樣解決關乎老年人的晚年生活. 如今65歲的農村農民,大多是上世紀五六十年代出生的人,他們經歷了大戰山河.上交公糧等 ...

50歲老人身上有“怪味”?醫生建議:中老年人,三件事不要做

50歲老人身上有“怪味”?醫生建議:中老年人,三件事不要做
最近碰到了一個50歲的老阿姨,非常焦慮,原因也很簡單,孫子和孫女兒開始嫌棄老人了,不因為別的,只是因為感覺老人身上有特殊的怪味道. 才剛50歲就已經開始被嫌棄了,這種遭遇聽起來很辛酸. 可是沒有辦法, ...

年過50歲會“斷崖式”衰老?醫生提醒:飲食需注意,均衡5種物質

年過50歲會“斷崖式”衰老?醫生提醒:飲食需注意,均衡5種物質
過了50歲,真的會出現"斷崖式"的衰老嗎? 時間每分每秒都在流逝,人的身體也在發生著各種各樣的變化,但是這些變化一般都是很細微的,只有在細節中才能看出來. 可是不知道有沒有發現,只 ...

65歲,老伴去世,我想做的事太多,卻總遭人嫌棄,人老了就該等死

65歲,老伴去世,我想做的事太多,卻總遭人嫌棄,人老了就該等死
我65歲,老伴去年去世了. 在這之前,他癱瘓了10年,腦梗的後遺症. 說話結巴,腿腳不便. 自從他癱瘓後,曾經那麼溫柔的他脾氣越來越大,莫名其妙的就會發脾氣,往我身上扔東西. 我們只有一個女兒,她工作 ...

65歲大爺:和住家保姆搭夥,她對我,比子女對我都好

65歲大爺:和住家保姆搭夥,她對我,比子女對我都好
傾訴物件:朱叔叔. 今年65歲,老婆去世已經三年了.其實我是一個很內向的人.以前和老婆在一起的時候,他在家裡總是很活躍,不管是不在家還是在外地.老婆主動陪我和他聊天,挑起話題.我很少說話.我們兩個人, ...

65歲大爺直言:擺脫老年人做保姆的模式,才是正確的晚年生活

65歲大爺直言:擺脫老年人做保姆的模式,才是正確的晚年生活
歡迎關注@院子裡的小蝴蝶,好故事一起分享. 導語: 最近聽了一首歌叫<活著為什麼>,聽完這首歌挺有感觸的,彷彿就是自己人生的寫照. 有一天在游泳池旁跟一個大爺聊天,我們都是帶孩子來游泳的. ...