本文内容来源于《测绘学报》2024年第8期（审图号GS京(2024)1748号）

融合图卷积与多尺度特征的接触网点云语义分割

徐涛,1, 杨元维,1, 高贤君1,2, 王志威3, 潘越3, 李少华1, 许磊4, 王艳军5,6, 刘波2, 余静7, 吴凤敏7, 孙浩宇1

1.长江大学地球科学学院，湖北 武汉 430100

2.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

3.内蒙古自治区测绘地理信息中心，内蒙古 呼和浩特 010050

4.中国铁路设计集团有限公司，天津 300308

5.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

6.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

7.重庆市地理信息和遥感应用中心，重庆 401147

基金项目

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(2023ZH01); 天津市科技计划(23YFYSHZ00190)(23YFZCSN00280); 重庆市自然科学基金(CSTB2022NSCQ-MSX1484); 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(MEMI-2021-2022-08); 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(E22205); 湖南省自然科学基金项目部门联合基金(2024JJ8327); 江西省自然科学基金(20232ACB204032); 长江大学大学生创新项目(Yz2023013)

作者简介

第一作者：徐涛（1998—），男，硕士生，研究方向为三维点云数据语义分割。E-mail：2021720578@yangtze.edu.cn

通讯作者: 杨元维 E-mail：yyw_08@yangtzeu.edu.cn

摘要

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。

关键词

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

本文引用格式

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. 融合图卷积与多尺度特征的接触网点云语义分割[J]. 测绘学报, 2024, 53(8): 1624-1633 doi:10.11947/j.AGCS.2024.20230198

XU Tao, YANG Yuanwei, GAO Xianjun, WANG Zhiwei, PAN Yue, LI Shaohua, XU Lei, WANG Yanjun, LIU Bo, YU Jing, WU Fengmin, SUN Haoyu. Integrated graph convolution and multi-scale features for the overhead catenary system point cloud semantic segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(8): 1624-1633 doi:10.11947/j.AGCS.2024.20230198

阅读全文

接触网是铁路供电系统中不可缺少的一部分，但是长期的室外工作环境，其部件会出现松动甚至损坏的情况，这将干扰铁路运输的正常运作[1-2]。为了保证铁路系统的安全性和可靠性，对接触网系统的定期检修是必不可少的[3]。随着三维激光扫描硬件的发展，依赖于三维激光扫描铁路场景的非接触式检测方式得到了广泛的应用[4-5]。激光雷达扫描得到的点云数据能够精准地保存接触网部件之间的空间位置信息[6]。因此研究接触网点云的自动分割对于接触网系统的智能化检测具有重要的意义[7]。现存有多种自动分割点云的算法，主要分为基于规则的方法和基于统计的方法。首先，基于规则的方法可以分为4类：基于边缘、区域增长、模型拟合和基于聚类。这些方法主要利用严格的手工特征和几何约束，不需要有监督的先验知识[8]，如随机抽样一致性(random sample consensus，RANSAC)[9]算法、基于密度的聚类(density-based spatial clustering of applications with noise，DBSCAN)[10]算法和k均值聚类(k-mean)[11]算法等。但是这类方法仅适用于简单几何物体，泛化能力较弱，难以广泛应用。其次，基于统计的方法主要包括支持向量机[12]、随机森林[13]和最大似然分类器[14]等。该类方法利用轮廓、纹理等更高层次的特征信息，可以实现自动化点云分割，但由于这些分割算法的性能和可训练参数有限，在复杂的任务中其精度会受限制[15]。点云分割的深度学习方法分为基于多视图、基于体素和基于原始点云[16]。其中，基于多视图[17]的方法和基于体素[18]方法，都解决了点云的无序及非结构化的问题，但是两者都会造成大量语义信息的丢失。针对上述方法的不足，许多学者在直接处理原始点云的基础上开展了进一步的工作。PointNet[19]和PointNet++[20]是最为经典的网络，PointNet网络轻便，但是忽略了局域特征的提取，PointNet++在此基础上，加强了局域特征的提取。此外，点云动态图卷积(dynamic graph CNN，DGCNN)[21]网络利用动态图结构计算边缘特征并且将新特征作为其中心点的特征。但是该网络无法较好地处理非均匀分布的点云。稀疏卷积在点云分割领域也有广泛的应用，如SparseConv Net[22]是一种针对三维稀疏点云数据的深度学习模型，在处理稀疏数据时具有良好的性能。它通过自适应的感受野来捕捉点云的局部结构，然而，该网络需要对数据进行高要求的预处理，并且网络本身较为复杂。上述网络大幅度地提高了点云分割的精度，但是在接触网场景中，存在着语义信息接近并且相互连接的部件，并且部分部件之间的尺寸差异大的难题，直接应用现有的语义分割网络难以达到应用级别的精度要求。因此，本文提出一种基于图卷积和多尺度特征的点云语义分割网络，应用于接触网系统部件智能提取。1 基本原理本文提出一种接触网点云语义分割的网络GDM-Net，其整体结构如下：①基于图的局部特征提取器(graph-based local feature extractor，GLFE)，该模块位于网络的编码阶段，通过并行边缘卷积(edge convolution，EdgeConv)操作和Conv2d操作，能够有效捕捉每个点的局部结构信息。②双重通道注意力模块(double efficient channel attention module，DECA)，实现跨通道的交互，能自适应地强化重要特征，从而提高网络的表征能力。③多尺度特征细化模块(multi-scale feature refinement module，MFRM)，该模块由3层连续的小尺度空洞卷积和一层DECA组成，实现了对于输入特征图的大、中、小3种不同尺度的特征提取，顾及了尺度差异大的部件特征的提取。网络结构如图1所示。图1

图1 GDM-Net网络

Fig.1 GDM-net network

1.1 基于图的局部特征提取器提取局部点的特征是基于点的深度学习的关键。为了提高局部信息的提取能力，本文提出基于EdgeConv操作的基于图的局部特征提取器(GLFE)来挖掘点之间的内部联系。k-NN图可以有效地表示点之间的局部关系，每个点及其周围的k个最近点形成一个有向图G(V,E)，如图2(b)所示，其中V={1,2,…,n}是顶点的集合，E表示边的集合，其中。两点xi和xij之间的有向边定义为eij=xij-xi，EdgeConv函数的定义为hΘ(xi,eij)，EdgeConv提取的点xi的新特征向量定义为

(1)

式中，MAX指取最大值；hΘ指具有一组可学习参数的非线性函数；xi指中心点；xij代表中心点周围的点；本文中k取20。

图2

图2 基于图的局部特征提取器结构

Fig.2 Graph-based local feature extractor

本模块有两个并行的分支，第1个分支为3次连续的EdgeConv，利用了k-NN图，能够有效捕捉每个点的局部结构信息，从而提升局部特征的提取能力。第2个分支为连续的3次卷积操作，连续的卷积操作能够提取更加丰富和复杂的特征，并且在卷积操作后面串联了一层最大池化操作，有利于保留部件连接处的角度等显著特征，该分支可以有效缓解EdgeConv分支在面临非均匀点云造成的信息损失情况。两个分支均采用了残差结构，防止特征的丢失，并且两个分支都串联了DECA结构，能够抑制冗余的语义特征，从而提高特征的表示能力。最后将两层接触网点云信息相融合，完成局部特征的提取。1.2 双重通道注意力模块本文基于ECA-Net[23]提出双通道注意力模块(DECA)，如图3所示。该模块使用全局平均池化和全局最大池化进行聚合卷积特征，并且通过Conv1d进行局部跨通道信息交互，交互过程如式(2)和式(3)所示，全局最大池化和全局平均池化特征聚合过程如式(4)所示

(2)

式中，K表示局部跨通道信息交换覆盖范围；表示最接近t的奇数；C表示通道数；γ设为2;b设为1。

(3)

式中，ωi表示通道交互的结果；表示通道特征的权重；yi表示一维空间中的相邻特征通道；K为式(1)中的计算结果；i表示通道数；j∈K。

(4)

式中，FDECA表示DECA的输出结果；F表示输入特征图；σ表示sigmoid激活函数；⊗表示点乘；GMP表示全局最大池化；GAP表示全局平均池化；Conv1d表示一维卷积操作。

图3

图3 双重通道注意力模型结构

Fig.3 The structure of dual-channel attention model

该模块通过全局平均池化和全局最大池化共同聚合语义信息，其中全局平均池化操作顾及全局特征，全局最大池化操作提升了模块的细节检测能力，如加强了弹性吊索与承力索的连接处语义信息的提取等。两种池化方式相辅相成，强化模型提取全局特征及局部细节特征的能力，DECA模块图如图3所示。1.3 多尺度特征细化模块接触网场景中具有多种尺寸差异过大的部件，如吊弦、接触线和承力索等。为了缓解尺寸差异过大而导致的信息提取不完全，本文提出多尺度特征细化模块(MFRM)(图4)。MFRM由3支并行的连续小空洞率的卷积和1层DECA模块组成，通过不同空洞率组合的卷积操作得到不同尺度的感受野。同时，本模块采用连续小空洞率的卷积组代替单个大空洞率的卷积，在获得相同感受野的情况下，减少网络的参数量，3组小空洞率卷积分别是(1,2,3)、(1,3,7)和(1,3,9)。此外，本模块也采用残差思想，减少特征信息的损失，提升了网络的性能，运算过程如式(5)所示。将前期网络预测结果经过DECA模块后与3个并行的连续小空洞率卷积的结果相加融合，最后通过1层Conv2d得出最终的分割结果，运算过程如式(6)所示

(5)

(6)

式中，F是指前期网络分割特征图；Dc1、Dc2、Dc3是指3个连续的空洞卷积操作；ADci为单个分支的空洞卷积结果；i表示第几个分支；Conv2d是指卷积2d操作；DECA是指双重通道注意力操作；Fout是指最终输出结果。

图4

图4 多尺度特征细化结构

Fig.4 The multi-scale feature refinement module

2 试验结果与分析2.1 试验数据集本文所用的试验数据为南通至盐城的高速铁路的实际点云数据，该段数据通过激光雷达Optech Lynx HS 600 VMMS扫描所得，每个点涵盖7个纬度(X,Y,Z,R,G,B,I)信息。原始的、点云数据如图5所示，红色为接触网数据，将其提取出并进行人工标记。灰色为背景点。整个接触网数据集场景长约4 km，分为88个独立的场景，相邻的场景是连续的，每个场景长约45 m，宽约10 m，高约1.5 m。场景内分为9类：承力索、定位器、斜腕臂、平腕臂、弹性吊索、定位管、背景点、吊弦和接触线。图5

图5 接触网点云数据预处理结果

Fig.5 The OCS extraction point cloud results by preprocessing

88个场景分为单臂接触网和双臂接触网场景两种，如图6所示。整个数据集场景的点数在5000万左右，其中单个单臂场景接触网的点数约为52万，双臂场景接触网的点数约为70万。接触网数据集分布见表1。图6

图6 接触网部件

Fig.6 Component of the OCS

表1 接触网点云数据集数据分布介绍

Tab.1 Data distribution introduction in the OCS dataset

数据集单臂双臂训练集验证集测试集单臂双臂单臂双臂单臂双臂场景数6820551511421点的数量3.54×1071.4×1072.9×1071.1×1075.7×1062.8×1061.04×1067×105

新窗口打开| 下载CSV

同时，本文还选取WHU-Railway3D数据集[24]中的城市铁路场景作为试验数据集，以验证网络在其他铁路场景中的泛化能力，该数据集由武汉大学WHU-USI3DV团队建立。城市铁路数据集长大约10.7 km，是中国中部的一个城市区域，该数据集分为11类，分别为轨道、道床、悬链线、围栏、植被、立柱、钢结构设备、地面、建筑物、支持装置和背景点。在本文试验中，将数据集分成3部分，并且训练集、验证集和测试集三者的比值接近7∶2∶1。2.2 试验设计本文中的所有试验都是在Windows 10(64位)工作站上进行。工作站的配置为Intel(R)Core(T M)i7-12700 KCPU,32 GB内存，显卡是NVIDIA GeForce RTX 3090 Ti,24 GB内存，在以上的基础上建立了Py Torch1.8.0的深度学习环境。训练过程中采用Adam优化算法进行梯度下降，设置动态学习率(0.001~0.000 01)，学习率的衰减率设为0.7，网络迭代次数设为100，点数(num-point)设为2048，每次迭代的批量数为12。

本文采用交叉熵函数[25]作为损失函数。其计算公式如式(7)所示

(7)

式中，N是样本数；M是类别数；当样本s的真实类别与c相同时，ysc取1，否则取0;psc是样本s属于c类的预测概率。

本文选用精确度(OA)、准确率(P)、召回率(R)、F1值和平均并交比(mIoU)作为评价指标[26]，另外，对网络的参数量、浮点计算次数和每点的预测时间也进行了对比。2.3 试验结果与分析2.3.1 不同训练/测试比例完成的结果数据集中训练集和验证集的占比对于试验分割精度也存在一定影响。本试验固定测试集数据，使用不同比例的训练集和验证集的样本，来选取较优的训练集和验证集的占比。试验的网络为GDM-Net，分别使用了5∶5、6∶4、7∶3、8∶2、9∶1 5种不同的测试比例进行比较，其结果如图7所示。使用8∶2的训练/验证比例的分割结果精度最高，OA、mIoU和F1值分别达到了96.73%、95.28%和91.06%，所以本文后续的试验中训练/验证都采用接近8∶2的比例。图7

图7 不同的训练/测试比例定量结果比较

Fig.7 Quantitative comparison of different training/testing ratios

2.3.2 基于接触网数据集的对比试验分析为了评估本文模型的有效性，本文选取PointNet[20]、PointNet++[21]、DGCNN[22]3个经典的点云分割网络和PointNeXt[27]、Pix4Point两个近3年的代表网络作为对比模型进行试验。表2展现了接触网点云数据集中，每种类别的精度评价结果，表3展现了5种总体评价指标的评价结果，两个表中的结果均基于测试集得到。表3中数据显示，PointNeXt、Pix4Point和GDM-Net网络都能够取得较高的精度，在3个综合性评价指标OA、F1值和mIoU上，GDM-Net获得最高的数值，分别达到96.73%、95.28%和91.06%，相较于次优的PointNeXt分别高0.68%、0.11%与0.23%。PointNet、PointNet++和DGCNN 3个网络获得了较低的精度评估值，难以准确地进行接触网部件分割工作。6种方法中，PointNet网络结构简单，忽略局部特征的提取，难以高精度处理接触网这类复杂场景；PointNet++、DGCNN、PointNeXt和Pix4Point的试验结果中吊弦和弹性吊索结果在所有类别中都是最差的。吊弦为稀疏点云，本身点量最少，难以捕捉其语义特征，弹性吊索这一部件在扫描时候存在缺失情况，并且弹性吊索和承力索无规律地交替出现，两者相互连接且线性的语义信息接近。上述网络如PointNet++和DGCNN网络，虽然可以通过层级结构和动态图卷积等强化特征提取，但是对非均匀分布点云的适应性仍然较差，所以数据的缺失和网络的限制等原因导致这两类精度较低。

表2 接触网点云数据集中每个类别的对比方法定量评估结果

Tab.2 Quantitative evaluation results of the comparative methods for each category in the OCS dataset

方法评价精度承力索定位器斜腕臂直腕臂弹性吊索定位管背景吊弦接触线PointNetP83.2070.2377.0974.7079.4262.2450.0488.1798.29R90.5481.8892.9498.1663.1887.7248.3257.5897.03mIoU76.5560.7972.8273.6764.2961.2550.0953.4695.42F1值86.7275.6184.2884.8470.3872.8249.1769.6797.66PointNet＋＋P86.8696.3694.6394.5684.6591.6387.7683.6696.1 R90.6593.6596.2892.3486.3393.3687.3683.0998.19mIoU76.1286.9591.3691.9272.5888.5079.3680.9194.93F1值88.7194.9995.4693.4585.4892.4987.5683.3797.13DGCNNP92.8198.5596.6296.5686.8093.0787.9885.6199.33R92.6994.7494.8996.5687.8095.5187.2985.6999.19mIoU86.4893.4491.8593.3477.4689.1777.9974.9098.53F1值92.7596.6195.7596.5687.3094.2787.6385.6599.26PointNeXtP90.3498.5699.2794.7095.1896.5593.3194.2598.87R96.6596.0794.9898.8785.6998.6992.8688.5699.71mIoU87.6094.7594.3293.6982.1395.3387.0684.0398.58F1值93.3997.3097.0896.7490.1997.6193.0891.3299.29Pix4pointP96.4996.5999.3694.7691.5687.9191.1289.7199.56R97.2693.6795.0598.4893.8697.8592.1388.4699.44mIoU91.1390.6794.4793.3986.3986.2489.9077.8999.00F1值96.8795.1197.1696.5992.7092.6191.6289.0899.50GDM－NetP96.2598.6998.1596.2494.5391.6493.6191.8499.53R96.8594.6795.1697.8190.1897.9192.9487.3899.61mIoU91.4593.4993.4894.2187.7189.8889.0681.0999.15F1值95.5396.6496.6397.0292.3194.6793.2789.5699.57

注：最优值用下划线标出。

新窗口打开| 下载CSV

表3 接触网点云数据集对比方法定量评估结果

Tab.3 Quantitative evaluation of the comparative methods on the OCS point cloud dataset

方法PROAmIoUF1值PointNet75.9379.7088.2664.0977.77PointNet＋＋90.6991.2592.3484.3790.96DGCNN93.0492.7194.9387.0292.87PointNeXt95.6794.6896.0590.8395.17Pix4point94.1295.1396.5489.9094.62GDM－Net95.6194.9496.7391.0695.28

注：最佳值用下划线表示。

新窗口打开| 下载CSV

图8列出了在两种不同接触网场景下的试验可视化结果，对比可得，PointNet、PointNet++和DGCNN网络有着大量明显的错分，PointNeXt在单臂场景中有明显的弹性吊索被错分为承力索。GDM-Net的分割效果最佳，仅在E区的弹性吊索和承力索的边界有小部分的误检。图8

图8 多种方法对于接触网点云的语义分割可视化结果对比

Fig.8 Semantic segmentation results of the OCS point cloud based on different methods

GDM-Net在接触网点云数据集取得高精度的分割结果原因：首先，在编码阶段，采用了两个GLFE结构，将点与其周围k个邻近点形成有向图，加强了邻近点之间的联系，更加直观地表现出单点的特征，强化局部特征的提取，有效减少接触网边界出现错分的情况。其次，多次使用了DECA模块，该模块以全局最大池化和全局平均池化共同驱动，同时顾及了显著特征和全局特征，有利于加强网络的表征能力。最后，MFRM采用了3组连续的小空洞卷积，实现了多尺度特征信息的提取，接触网中接触线和承力索尺度类似，但是远大于吊弦，通过该结构能够缓解这类小尺度物体特征被忽略的情况，从而减少错分。除了精度的硬性要求之外，网络的复杂性和效率也是重要的指标。本文对6种网络的参数量、浮点运算次数(FLOPs)及测试时间进行了计算和比较(表4)，其中PointNeXt和Pix4Point两个网络的参数量和浮点运算次数都较大，GDM-Net网络的浮点运算次数为133.87×109低于Pix4Point，且参数量为3.42×106低于PointNeXt。对于深度学习模型应用，测试时间也十分重要，GDM-Net对于每个点的测试时间为24.41 μs，和Pix4Point网络接近，能够满足大多数实时性的要求。

表4 6种方法的网络参数量、浮点计算次数和测试时间的比较

Tab.4 Comparison of network parameter quantity, FLOPs and test time of the six methods

方法参数FLOPs每点测试时间/μsPointNet3.55×10658.53×10916.21PointNet＋＋1.24×10610.72×10920.51DGCNN2.64×10664.24×10917.35PointNeXt41.60×10684.80×10918.81Pix4Point23.70×106190.00×10921.36GDM－Net3.42×106133.87×10924.41

新窗口打开| 下载CSV

5种精度评价指标均达到91%以上，从可视化的结果观察，GDM-Net的分割结果更加精确，尤其是单臂场景，仅出现细小的错分。综上所述，GDM-Net能够在接触网点云数据集上能够取到较优表现。并且GDM-Net的测试推理时间也能够满足大多数实时性的需求。2.3.3 基于WHU-Railway 3D数据集的对比试验分析本文同样在WHU-Railway 3D中的城市铁路场景数据集上进行了试验，以验证模型在铁路场景中有较好的泛化性。试验结果见表5，GDM-Net的mIoU达到了81.52%，领先于其他5种对比方法，并且在轨道、道床、悬链线等8个类别中也都能取得最高值。图9是测试集中部分场景的可视化结果，GDM-Net的试验结果也是最接近于真实场景的分类结果，由此可以证明在相近的接触网铁路场景中也能够有不错的精度表现，具有较强的泛化能力。

表5 城市铁路数据集对比方法定量评估

Tab.5 Quantitative evaluation of the comparative methods on the urban railway dataset

方法mIoU类别名称轨道道床悬链线围栏植被立柱钢结构地面建筑物支持装置背景点PointNet11.725.516.8313.667.0138.202.367.6625.496.457.568.21PointNet＋＋34.2825.8636.6356.3615.6360.829.6223.3657.3632.3628.6930.35DGCNN24.0521.0816.8926.3117.2161.159.638.6538.1519.639.5636.30PointNeXt75.1980.7273.2362.9281.6188.2865.3974.6483.3690.8260.6165.59Pix4Point71.5471.8444.6674.1945.1989.9964.3467.8179.7291.5862.6494.94GDM－Net81.5290.6378.6976.3388.3793.6168.3772.6385.3985.6868.3688.65

注：其中mIoU最佳值用下划线和粗体突显，各类IoU最佳值用下划线突显。

新窗口打开| 下载CSV

图9

图9 WHU-Railway 3D数据集的语义分割可视化结果对比

Fig.9 Visualization comparison of semantic segmentation results for WHU-railway 3D dataset

2.3.4 有效性试验分析GDM-Net是由一个基线网络和多个创新性模块组成，本小节中将这些模块依次加入基线网络，以构成具有不同模块的网络。对这些网络进行一系列的训练与测试，并且对测试结果进行精度评价，用以证明所提的基于图的局部特征提取器、双重通道注意力模块和多尺度特征细化模块3个创新模块的有效性，参与消融试验的网络具体结构如下。网络a为基线网络，基于PointNet构建得到；网络b在网络a的基础上，用两个GLFE模块代替了编码阶段的Conv(64,64,128)操作；网络c在网络b的基础上，在Conv(1024)的后面串联DECA模块；网络d在网络c的基础上，在最后的输出端Conv(n)后串联MFRM模块。4个网络依次证明GLFE模块，DECA模块和MFRM模块的有效性，测试结果为所有类别的平均值，试验结果如图10所示。测试结果表明，3个创新性模块的组合都能有效提升网络的精度。其中网络d能够获得最佳的分割精度，这说明集成了这3个模块的GDM-Net网络能够极好地适应接触网点云分割任务。图10

图10 创新性模块网络的精度对比

Fig.10 Accuracy comparison diagram of innovative module network

3 结论针对在接触网自动检测任务中，具有尺寸差异大的部件和相似语义信息的部件容易出现误检的情况，本文提出一种点云语义分割网络GDM-Net。通过大量的试验验证得知，相较于现有的其他方法，集成GLFE、DECA和MFRM模块的GDM-Net，有效地提升了接触网场景点云语义分割的精度，降低了语义信息接近且相连接部件的错分。该网络在接触网数据集的OA、mIoU和F1值分别达到了96.73%、95.28%和91.06%。此外，在取得高精度的同时，GDM-Net的推理时间也能满足大多数实时要求。接下来，将通过探索知识蒸馏及弱监督等策略，使网络达到轻量化，并且减少网络对样本的依赖性，增加网络的稳健性。

初审：张艳玲复审：宋启凡
终审：金 君

资讯

○ 信息工程大学地理空间信息学院勾万祥：偏振滤光增强白昼测星信噪比效能分析|《测绘学报》2024年53卷第8期