TowerDataset：面向输电走廊分割的异构基准数据集与全局-局部融合框架
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
输电走廊点云的细粒度语义分割是智能电力线路巡检的基础。然而，当前进展受到真实数据稀缺以及在长距离、异构场景中建模全局走廊结构和局部几何细节困难的限制。现有的公开数据集通常只提供少量粗略类别或短距离裁剪场景，忽略了长程结构依赖性、严重的长尾分布以及安全关键组件之间的细微差别。因此，当前方法难以在真实巡检设置下进行评估，并且它们保留和整合互补的全局与局部线索的能力仍不明确。为应对上述挑战，我们引入了 TowerDataset，一个用于输电走廊分割的异构基准数据集。TowerDataset 包含 661 个真实场景和约 24.66 亿个点。它保留了长距离走廊范围，定义了一个细粒度的 22 类分类体系，并提供了标准化的划分和评估协议。此外，我们提出了一个全局-局部融合框架，用于保留和融合全场景与局部细节信息。一个采用 NoCrop 训练和原型对比学习的全场景分支捕获长程拓扑和上下文依赖性。一个分块的局部分支保留精细的几何结构。然后通过几何验证对两个预测结果进行融合和细化。这种设计使得模型在识别稀有和易混淆组件时能够同时利用全局关系和局部形状细节。在 TowerDataset 和两个公开基准上的实验证明了所提出基准的挑战性以及我们框架在真实、复杂和异构输电走廊场景中的鲁棒性。该数据集即将在 https://huggingface.co/datasets/tccx18/Towerdataset/tree/main 发布。
引用
@article{arxiv.2604.16848,
title = {TowerDataset: A Heterogeneous Benchmark for Transmission Corridor Segmentation with a Global-Local Fusion Framework},
author = {Xu Cui and Xinyan Liu and Chen Yang and Zhaobo Qi and Beichen Zang and Weigang Zhang and Antoni B. Chan},
journal= {arXiv preprint arXiv:2604.16848},
year = {2026}
}