典型文献
基于滑动图卷积神经网络的输电线路点云分类模型
文献摘要：
图卷积神经网络虽然可以对初始点云数据进行直接处理,但其只在局部尺度上独立提取点特征,未将局部点互相关联起来则会影响点云数据分类精度.因此,本文在考虑点云数据整体几何关系和拓扑信息的基础上,提出了一种基于滑动图卷积神经网络的输电线路点云分类模型.首先,通过最远点采样方法从原始点云中迭代子采样点集,有效地降低模型复杂度和时间消耗;其次,利用多尺度K近邻对子采样点集建立局部有向图;再次,采用边缘卷积滑动地提取局部图特征,计算点云上的每一个点与其相邻点之间的边缘特征;最后,利用全局最大池化层进行点云分类.所提模型首先在公用数据集上进行预训练,之后再用标注过的由激光雷达实地采集的输电线路点云数据进行验证.实验结果证明,本文所提模型在公用数据集和实际数据集上均取得较好的分类效果,分类准确率比通用的ECC、PointNet、PointNet++等方法高出至少1.5％.
文献关键词：
输电线路点云;滑动图卷积神经网络;边缘卷积;最远点采样
中图分类号：
作者姓名：
吴晨曦;丁建;王彬;徐懿华;曹晖
作者机构：
国网浙江省电力有限公司超高压分公司输电检修中心,浙江 杭州310000;西安交通大学电气工程学院,陕西 西安710049
文献出处：
引用格式：
[1]吴晨曦;丁建;王彬;徐懿华;曹晖-.基于滑动图卷积神经网络的输电线路点云分类模型)[J].电工电能新技术,2022(12):28-34
A类：
滑动图卷积神经网络,边缘卷积
B类：
输电线路点云,点云分类,分类模型,初始点,局部尺度,取点,点特征,互相关,相关联,点云数据分类,分类精度,几何关系,拓扑信息,最远点采样,采样方法,云中,代子,子采样,采样点,点集,模型复杂度,近邻,对子,有向图,局部图,一个点,邻点,边缘特征,最大池化,层进,行点,公用,预训练,激光雷达,实际数据,分类效果,分类准确率,ECC,PointNet++
AB值：
0.265165
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
