نظرًا لصعوبة خوارزميات تقسيم سحابة النقاط المحمولة جواً LiDAR المعتمدة على التعلم العميق في الاستفادة الكاملة من المعلومات الطوبولوجية المحلية للأجسام، وضعف القدرة على التعبير عن الميزات متعددة المقاييس، وعدم تحقيق نتائج مثالية في تقسيم الأهداف صغيرة المقياس، تقترح هذه الدراسة شبكة تقسيم سحابة النقاط المحمولة جواً LiDAR المحسنة بالتحسس المحلي LAE-Transformer (محول محسن مراعي محليًا). أولاً، من خلال استخراج ميزات الطوبولوجيا السطحية يتم بناء رسم بياني للهندسة المحلية لسحابة النقاط لتعزيز قدرة النموذج على التقاط تفاصيل الأجسام؛ بعد ذلك، يتم توصيل وحدات التحويل المصاحبة للنقطة في المناطق والتنقيص لاستخراج ميزات عميقة لسحابة النقاط، مما يعزز إدراك النموذج للميزات متعددة المقاييس؛ أخيرًا، يتم إدخال اتصال متبقي ديناميكي خلال عملية التكبير ليتم دمج المعلومات الأساسية بشكل تكيفي ضمن مجالات استقبال مختلفة؛ بالإضافة إلى ذلك، تم بناء طبقة تجمع مختلطة تعتمد على التجميع الانتباه والتجميع الأقصى لتعويض فقدان المعلومات. من خلال اختبارات مجموعات بيانات DALES وLASDU لسحابة النقاط، أظهرت النتائج المقترحة أن الدقة العامة (OA) ومعدل التقاطع المتوسط على الاتحاد (mIoU) للشبكة تصل إلى 97.8% و80.8% وكذلك 87.2% و68.5% على التوالي، حيث حققت النسبة التقاطعية (IoU) للأهداف صغيرة المقياس مثل الشاحنات وأعمدة الكهرباء والأسوار في مجموعة بيانات DALES نسبًا بلغت 42.1% و75.4% و63.8% على التوالي، متفوقة على معظم الشبكات النموذجية الأخرى، مما يثبت موثوقية شبكة هذه الدراسة في تقسيم سحابة النقاط المحمولة جواً LiDAR.

سحابة نقاط LiDAR المحمولة جواً;التعلم العميق;التقسيم الدلالي;آلية الانتباه الذاتي;التحسس المحلي المعزز;المشاهد المعقدة;الأهداف صغيرة المقياس;المحول