首页|融合图卷积与多尺度特征的接触网点云语义分割

融合图卷积与多尺度特征的接触网点云语义分割

扫码查看
原文链接
  • 万方数据
  • 维普
准确的接触网语义分割结果对于接触网组件提取和几何参数检测具有重要的意义.实际上,接触网场景复杂,部件之间的尺寸差异较大,并且存在着较多语义信息接近且相连的部件,导致现有的深度学习方法难以高精度地完成接触网点云语义分割任务.基于上述问题,本文提出一种基于图卷积和多尺度特征的神经网络GDM-Net.该网络包含基于图的局部特征提取器,增强了对接触网点云局部特征提取;双重通道注意力模块,同时兼顾了接触网点云的全局和显著特征的提取;多尺度特征融合的细化模块,通过提取并融合接触网的多尺度信息,提升了分割精度.受益于上述几个模块,该网络提升了对于接触网部件交界处的点云分割能力.基于接触网数据集对该方法进行定性和定量的验证分析,GDM-Net相较于5种其他的点云深度学习方法,精度最高,OA、mIoU和F1值这3个精度指标分别可以达到96.73％,91.06％和95.28％.定性比较表示,本文提出的网络可以有效减少部件连接部分的错分问题,提高接触网部件分割的完整性.
Integrated graph convolution and multi-scale features for the overhead catenary system point cloud semantic segmentation
Accurately segmenting the catenary is essential for extracting its components and detecting geometric parameters.In fact,the catenary scene is complex,with significant differences in size between internal components.There are many compo-nents with similar and connected semantic information,which makes it difficult for existing deep learning methods to accurately complete catenary point cloud semantic segmentation tasks.To address this issue,this paper proposes a neural network named GDM-Net that leverages graph convolution and multi-level features.GDM-Net includes a graph-based local feature extractor that enhances local feature extraction of the catenary point cloud,a double efficient channel attention module that considers the extraction of global and salient features of the catenary point cloud,and a refinement module of multi-scale feature fusion that improves segmentation accuracy by extracting and fusing multi-scale information of the catenary.The proposed network significantly improves the point cloud segmentation ability of catenary components,particularly at the intersection.Based on qualitative and quantitative analysis of the overhead catenary system dataset,the method is verified to achieve the highest accu-racy among five other point cloud deep learning methods.The OA,mIoU,and F1 accuracy indices reach 96.73％,91.06％,and 95.28％,respectively.Qualitative comparisons demonstrate that the proposed network effectively reduces the misclassifi-cation problem of component links and improves the integrity of catenary component segmentation.

LiDARoverhead catenary systemgraph convolutionattention mechanismmulti-scale feature fusionpoint cloud semantic segmentation

徐涛、杨元维、高贤君、王志威、潘越、李少华、许磊、王艳军、刘波、余静、吴凤敏、孙浩宇

展开 >

长江大学地球科学学院,湖北武汉 430100

东华理工大学自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室,江西南昌 330013

内蒙古自治区测绘地理信息中心,内蒙古呼和浩特 010050

中国铁路设计集团有限公司,天津 300308

湖南科技大学地理空间信息技术国家地方联合工程实验室,湖南湘潭 411201

湖南科技大学测绘遥感信息工程湖南省重点实验室,湖南湘潭 411201

重庆市地理信息和遥感应用中心,重庆 401147

展开 >

激光雷达 接触网系统 图卷积 注意力机制 多尺度特征融合 点云语义分割

城市轨道交通数字化建设与测评技术国家工程实验室开放课题基金天津市科技计划天津市科技计划重庆市自然科学基金自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室开放基金湖南科技大学测绘遥感信息工程湖南省重点实验室开放基金湖南省自然科学基金项目部门联合基金江西省自然科学基金长江大学大学生创新项目

2023ZH0123YFYSHZ0019023YFZCSN00280CSTB2022NSCQ-MSX1484MEMI-2021-2022-08E222052024JJ832720232ACB204032Yz2023013

2024

10.11947/j.AGCS.2024.20230198

测绘学报
中国测绘学会

测绘学报

CSTPCD北大核心
影响因子：1.602
ISSN：1001-1595
年,卷(期)：2024.53(8)