激光与红外

作者：孟维傑，，吴嘉诚，孙淑杰，刘俊博，郭剑勇，6，田媚，，黄雅平

单位：1.交通数据挖掘与具身智能北京市重点实验室，北京交通大学，北京 100044；2.北京交通大学 计算机与信息技术学院，北京 100044；3.中国联通数字科技有限公司，北京 100032；4.中国铁道科学研究院基础设施检测所，北京 100080；5.中国铁路设计集团有限公司城市轨道交通事业部，天津 300142；6.城市轨道交通数字化建设与测评技术国家工程研究中心，天津 300308；

关键词：点云分割;半监督学习;主动学习;铁路场景

基金：国家自然科学基金项目（No.62271042；No.52272427）；城市轨道交通数字化建设与测评技术国家工程研究中心开放课题基金项目（No.2024023）；国铁集团科技研究开发计划项目（No.Q2024T002）资助。

近年来，基于深度学习的点云语义分割方法虽取得显著成果，但其性能仍依赖大量人工标注数据，标注成本高昂一直是点云语义分割领域需要解决的难题之一。为此，本文以铁路场景的三维点云数据为研究对象，提出了一种基于主动学习的半监督点云语义分割方法。该方法采用了半监督教师学生模型，通过自适应指数加权平均方法，将学生网络的参数平滑迁移到教师网络上，并用教师网络对未标注点生成伪标签，从而提高未标注数据的利用率。同时，为了进一步挖掘未标记样本的价值，设计了基于主动学习的样本选择策略。首先，为了更好地捕捉到未标记点在不同尺度下的变化和不确定性，提出了基于邻域上下文多尺度信息融合的不确定性度量方法。此外，为了避免局部区域内相似点的重复标注，设计了几何特征抑制模块，融合几何信息与特征距离，提高了样本选择的多样性和代表性。实验结果表明，所提出的半监督点云语义分割方法在铁路场景点云语义分割任务中表现出良好的效果。

来源：2026年第3期

《激光与红外》期刊编辑部

查看激光与红外杂志2026年第3期