一张排水管道图像中可能同时存在变形、渗漏等多种缺陷。针对现有卷积神经网络（CNN）忽略标签关系，难以准确检测多标签管道图像的问题，引入图卷积网络（GCN）建模不同缺陷标签的关系，提出了一种基于改进标签图的GCN管道缺陷检测模型（ILG-GCN）。首先，ILG-GCN模型在原有CNN模型的基础上引入GCN模块，GCN利用标签图迫使具有共生关系的标签分类器相互接近，获得保持语义拓扑结构的分类器，从而提高预测共生标签的概率。其次，改进GCN模块更新节点信息时使用的标签图，改进后的标签图根据每种缺陷主要相关标签的共生强度计算自适应的标签共生概率，并根据主要相关标签的共生强度为其分配不同的权值。实验结果表明，所提模型的总体平均准确率为95.6%，能够准确检出同时存在的多种管道缺陷。

三维点云语义分割在三维场景理解和重建、自动驾驶和机器人导航等领域发挥着重要作用。针对现有方法对点云的局部特征提取不足导致分割精度不高这一问题，基于PointNet++架构提出了一个动态图卷积网络DGPoint。首先，边缘卷积的特征聚合函数使用双通道池化操作来补偿信息丢失，可以更好地保留点云的细粒度局部特征；其次，在进行边缘卷积之前使用K近邻算法确定新的局部区域以达到动态图更新的效果；此外，为了保证边缘提取准确，将设计的编码器重复多次，并将提取的特征以跳跃连接的方式连接起来输入到解码器中。在S3DIS数据集上的实验结果表明，与其他方法相比，DGPoint有效解决了局部特征提取不足的缺点，并提高了语义分割的准确性：在S3DIS数据集的平均交并比为68.3%，总体准确度为86.2%。

针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。

PointNet是三维点云分类中具有代表性的研究成果,该模型开创性地利用深度学习模型对点云进行分类,取得了较好的效果。但是PointNet模型只考虑点云的全局特征而忽略每个点的局部信息,为弥补这个缺陷,提出基于图卷积网络的点云分类模型。在PointNet模型中插入一个kNN graph层,通过在点云空间构造k近邻图,利用图结构有效地获取点云的局部信息,从而提高整体点云分类准确率。分类实验在ModelNet40数据集上进行,对比不同近邻值k对输出精度的影响,结果表明在k取20时,分类准确率最高,达到了93.2%,比PointNet高4.0%。