融合图卷积与多尺度特征的接触网点云语义分割

• Published in: 测绘学报 Vol. 53; no. 8; pp. 1624 - 1633
• Main Authors: 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
• Format: Journal Article
• Language: Chinese
• Published: 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 25.09.2024; 长江大学地球科学学院,湖北武汉 430100%长江大学地球科学学院,湖北武汉 430100; 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%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%重庆市地理信息和遥感应用中心,重庆 401147
• Subjects: 激光雷达; multi-scale feature fusion; 注意力机制; overhead catenary system; attention mechanism; 点云语义分割; 图卷积; LiDAR; 多尺度特征融合; 接触网系统; point cloud semantic segmentation; graph convolution
• ISSN: 1001-1595
• DOI: 10.11947/j.AGCS.2024.20230198

P237; 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.