基于混合式点云数据训练的道路语义分割与几何-公路交通科技

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

基于混合式点云数据训练的道路语义分割与几何

作者:

关键词:

摘要：

研究背景与问题

在数字化道路模型构建和智能交通应用领域，高精度的道路几何信息获取至关重要。道路点云语义分割是实现这一目标的关键步骤，它涉及将道路点云数据中的每个点分类为特定的语义类别，如道路、人行道、车辆等。然而，现有的真实点云数据标注成本高昂，且公开数据集规模有限，难以满足深度学习模型对多样化数据的迫切需求。这种情况下，如何有效利用有限的标注数据和大量未标注数据，提高语义分割的准确性和鲁棒性，成为当前道路点云数据处理的重要问题。

研究方法

针对上述问题，本研究提出了一种基于混合式点云数据训练的道路语义分割与几何信息自动提取方法。该方法融合了真实点云数据和合成点云数据，通过构建一个真实与合成数据结合的混合训练策略，以提高模型对多样化数据的适应性。具体来说，我们首先使用已有的真实点云数据对模型进行初步训练，然后利用深度学习模型生成合成点云数据，并与真实数据一起进行二次训练。在这个过程中，我们采用了多尺度特征融合和注意力机制等技术，以增强模型对不同类型道路的识别能力。

核心结果

实验结果表明，与仅使用真实数据或仅使用合成数据的模型相比，所提出的混合训练策略显著提高了道路语义分割的准确性和鲁棒性。在多个公开数据集上进行的评估中，我们的模型在保持高准确率的同时，还展示了良好的泛化能力。此外，通过自动提取几何信息，本研究成功构建了高精度的数字化道路模型，为智能交通系统的开发和优化提供了重要基础。

结论与意义

本研究提出的方法为道路点云语义分割和几何信息自动提取提供了一种新的思路。通过有效利用真实与合成数据的优势，我们成功构建了一个既准确又高效的深度学习模型。这一成果不仅为数字化道路模型的构建提供了技术支持，而且对于智能交通系统的发展具有重要意义。未来，我们计划进一步优化模型结构和训练策略，并探索在更广泛的智能交通场景中的应用，以推动智能交通技术的进步。

文章来源：《公路交通科技》网址: http://www.gljtkj.cn/qikandaodu/2026/1027/328.html