融合注意力门控机制的大场景点云语义分割

室外大场景激光点云语义分割已成为3D场景理解、环境感知的关键性技术,在自动驾驶、智能机器人和增强现实(AR)等领域应用广泛。然而大场景的激光点云具有多目标、几何结构复杂,不同地物尺度变化大等特点,使得在稀疏的小目标点云(例如行人、摩托车等)上的分割性能较低。针对上述问题,本文提出一种融合注意力门控机制的室外点云语义分割算法,设计由注意力机制和多尺度上下文特征融合组成的注意力门控单元,提高对激光点云细粒度特征的表达,降低随机降采样过程中点云几何结构特征丢失程度,从而增强了网络对弱小目标的特征获取能力;同时设计基于共享MLP的平均池化单元,进一步简化自注意力局部特征聚合模块,有效地加速网络收敛,能高效地实现大场景点云的语义分割。本文方法在自动驾驶场景室外激光点云数据集SemanticKITTI上的实验表明,与文献RandLA-Net相比,收敛速度提升48.3%,平均交并比(mIoU)由53.9%提升至54.5%,提高0.6%,尤其是在小目标上交并比(IoU)均有明显提高,person类和motorcycle类的交并比分别提高0.8%和5.4%。

一种输电线路三跨点下工程机械的改进Faster-RCNN检测方法

为解决输电线路三跨点下由于工程机械入侵导致的跳闸问题,提出一种基于改进Faster-RCNN的大型机具检测算法。该方法以深度学习目标检测算法中的Faster R-CNN作为基本模型,首先研究了不同特征提取网络对模型检测准确度的影响,然后考虑到检测目标与模型的适配问题,使用k-means++算法对输电线路监控数据集中入侵机具标注框进行聚类分析,采用CH指标比较,得到与检测对象匹配的锚框尺寸,同时引入RoI Align单元降低候选框回归的精度误差。实验表明,改进后的Faster R-CNN算法检测大型工程车辆的平均精度均值从56.39%提高到72.58%,提高了16.19个百分点,能够满足输电线路三跨点工程机械的检测需求,有效改善了漏检和误检问题。