基于向量注意力的点云网络：解决下水道声纳数据语义分割的创新方法

《Engineering Applications of Artificial Intelligence》：Vector attention-based point cloud network for semantic segmentation of sewer sonar data

本文综述提出基于向量注意力的点云网络（VAPCNet），采用U-Net风格的编码器-解码器架构，通过注意力模块、收缩模块和扩展模块实现下水道声纳点云的精准语义分割。研究采用加权焦点损失函数解决数据不平衡问题，在声纳机器人采集的下水道数据集中达到95.9%的整体准确率和86.4%的平均交并比（mIoU），为水下基础设施检测提供了创新解决方案。

　　

Highlight

本研究开发的VAPCNet在下水道点云语义分割中展现出卓越性能。为提升点云语义分割（PCSS）能力，网络编码器对点集进行多阶段特征编码。从第二阶段开始，编码器包含收缩模块和注意力模块。收缩模块通过最远点采样（FPS）识别具有所需基数的均匀分布子集。注意力模块中的改进型Transformer层利用向量注意力机制聚合局部和全局特征，有效增强模型对声纳点云特征的捕捉能力。

Discussions

开发的VAPCNet在下水道点云语义分割中表现出强大性能。为提升PCSS能力，网络编码器对点集进行多阶段特征编码。从第二阶段开始，编码器包含收缩模块和注意力模块。收缩模块执行FPS以识别具有所需基数的均匀分布子集。注意力模块中的改进型Transformer层利用向量注意力聚合局部和全局特征，显著增强模型对声纳点云特征的捕捉能力。通过调整编码器阶段数可实现轻量化设计，在保持精度的同时提升计算效率。

Conclusions

本研究开发的VAPCNet专为声纳点云语义分割而设计，有效解决了声纳信号引起的高噪声、众多异常值、点云分布不均和数据不平衡等挑战。VAPCNet采用基于U-Net的编码器-解码器架构，包含三个核心模块：注意力模块、收缩模块和扩展模块。编码器中的收缩模块逐步下采样点云，注意力模块通过向量注意力机制强化特征提取，扩展模块则通过特征传播实现精准上采样。该方法为水下基础设施智能检测提供了重要技术支撑。