面向三维语义分割的空间布局一致性

由于大量公用设施网络基础设施老化，开发一种稳健且可信的、能以最少人工干预巡检这些设施的计算机视觉系统已引起相当多的研究关注。机载激光地形测绘（ALTM）系统在众多可用传感器中迅速成为核心数据采集系统。其以高功率能量穿透植被的能力提供了广泛覆盖并实现了测量级测距精度。然而，对 ALTM 密集且不规则点云进行分类的后数据采集过程是必须解决以提升效率与精度的关键瓶颈。我们引入一种新颖的深度卷积神经网络（DCNN）技术，用于实现 ALTM 点云的基于体素的语义分割。所提出的深度学习方法 Semantic Utility Network（SUNet）是一个多维多分辨率网络。SUNet 结合了两个网络：一个以三维物体类别在多分辨率下对点云分类，另一个预测区分走廊区域与非走廊区域的二维区域标签。SUNet 的一项重要创新是它对基于体素的分割结果与区域分割结果施加了空间布局一致性。所提出的多维 DCNN 将用于空间布局嵌入的层次化上下文与由粗到细的策略相结合。我们进行了全面的消融研究，使用密度为 5pp/m2 的 67 km x 67 km 公用设施走廊数据测试 SUNet 的性能。实验表明，SUNet 的空间布局一致性与多分辨率特征聚合能显著提升性能，优于 SOTA 基线网络，并在电塔 89%、地面 99%、植被 99% 和电力线 98% 类别上取得了良好的 F1 分数。