近日，我校资源环境与旅游学院地球大数据感知与认知团队在国际摄影测量与遥感学会（ISPRS）会刊、摄影测量与遥感领域国际顶级期刊《ISPRS摄影测量和遥感杂志》（ISPRS Journal of Photogrammetry and Remote Sensing，中科院一区顶级期刊，影响因子：11.774）上在线发表了研究成果《GL-Net:基于全局特征学习和局部特征判别聚合的盾构隧道点云语义分割》（GL-Net: Semantic Segmentation for Point Clouds of Shield Tunnel via Global Feature Learning and Local Feature Discriminative Aggregation）。该成果以首都师范大学为第一署名单位，硕士研究生李金城为第一作者，张振鑫副教授、孙海丽老师为共同通讯作者。该成果得到了北京市自然科学基金和国家自然科学基金等的资助。 

地铁是现代城市公共交通出行的首选。作为地铁隧道的重要类型，盾构隧道的结构稳定性和安全性在地铁运营中起着关键的作用。盾构隧道可能出现漏水、隧道坍塌等问题，影响地铁的安全运营。因此，需要采用有效的监测方法来检测地铁隧道的状态，盾构隧道关键结构要素的数据采集和准确分割是进行地铁隧道病害监测、建立三维高保真模型等任务的基础和关键。 

为实现盾构隧道三维点云的高效分割，作者提出了一种基于深度学习的方法GL-Net，关注如何学习到具有鲁棒性的全局特征和复杂的局部分布模式。在GL-Net（图1）中，作者提出一个全局和局部特征编码块（Global and Local Feature Encoding Block，GLB），通过它从点云中学习更有效的特征来进行盾构隧道的语义分割。GLB主要由三部分组成，即全局特征感知增强模块（Feature Perception Enhancement, FPE），局部特征辨别性聚合模块（Local Feature Discriminative Aggregation, LFDA）和全局特征提取模块（Global Feature Extraction, GFE）。FPE模块通过在全局尺度上建立显著特征的相似结构来增强特征表达的效果。LFDA模块则通过判别地学习邻居特征来聚合局部信息，而GFE模块则计算全局描述符。将多尺度特征编码块与5个GLB模块相结合，设计GCM模块构建全局相关性。此外，为解决在许多数据集（如STTED）上常见的长尾偏分布问题，本文还提出了一个指数加权交叉熵损失函数。

图 1. GL-Net网络架构示意图

大量实验证明，GL-Net在盾构隧道场景下具有出色的语义分割能力。实验结果表明，GL-Net对于盾构隧道结构要素数据集的语义分割，性能比目前公开数据集上最先进的方法至少提高了14.5%。此外，该研究还测试了GL-Net对于盾构隧道场景中所有元素的语义分割能力，包括盾构隧道全要素数据集，最多包含16个类别，并测试了它在不同隧道和不同激光扫描仪下的分割适应性。经过测试，GL-Net对于全要素的语义分割交并比最高可达86.63%。盾构隧道结构要素及分割结果可视化细节如图2和图3所示。

图 2. 盾构隧道结构要素示例

图 3. 利用GL-Net实现盾构隧道点云语义分割的结果。

地球大数据感知与认知团队是响应教育部“有组织科研”的号召组建的一支跨学科团队，成员涵盖了地理学、统计学、测绘学、遥感科学、管理学等多个领域。该团队致力于利用大数据技术和人工智能算法，对地球上的各种数据进行感知和认知。通过数据的采集、处理、分析，以及模型的建立和优化，团队可以对地球上的自然和社会现象进行深入研究，并为决策者提供相关的建议和支持。除了技术层面的贡献，团队成员还从经验和理论的角度出发，拓展了地球科学和社会科学的交叉研究。这些跨学科研究涉及的领域包括地球环境变化、资源管理、城市规划、社会网络等。该团队的工作对于实现可持续发展目标、保护地球环境、提高公共决策的科学性和效益等方面具有重要意义。

论文链接：https://www.sciencedirect.com/science/article/pii/S0924271623001004?dgcid=""author