GSSP-KAN：一种基于Kansformer的高效网络，采用分组可分离稀疏卷积技术，用于大规模激光雷达点云的语义分割

《Remote Sensing》：GSSP-KAN: An Efficient Kansformer-Based Network with Grouped Separable Sparse Convolution for Large-Scale LiDAR Point Cloud Semantic Segmentation

　　

摘要

大规模电力走廊激光雷达点云的语义分割对于基于遥感的输电线路检测、植被入侵监测和智能电网维护至关重要。然而，现有方法在处理大量数据、严重的类别不平衡、稀疏的电力相关对象以及电力走廊场景中的高计算成本方面仍存在困难。为了解决这些问题，本文提出了GSSP-KAN，这是一种高效的语义分割网络，它将Kansformer与分组可分离稀疏卷积结合在一起。Kansformer模块增强了非线性特征表示和上下文建模能力，而分组可分离稀疏卷积块（GSSP_Block）则减少了冗余的自注意力计算，并保留了详细的局部几何结构。GSSP-KAN在四个大规模数据集上进行了评估，包括NW-3D、NeiMeng-3D、Nanning和Toronto-3D。实验结果表明，GSSP-KAN在NW-3D上的accuracy为98.20%/mIoU为88.50%，在NeiMeng-3D上为99.96%/98.58%，在Nanning上为98.20%/96.70%，在Toronto-3D上为97.90%/83.80%。与基线模型相比，该模型将参数数量减少了1470万，并在NW-3D上的推理速度提高了24.0%，在Toronto-3D上的推理速度提高了30.8%。