تتعلق هذه الدراسة بمشكلة عدم القدرة على الاستفادة الكاملة من معلومات توبولوجية المادة، وضعف قدرة التعبير عن السمات على مقياس مختلف، وعدم كفاية فعالية تقسيم العلامة على مقياس صغير لنقاط السحابة النقطية المرفقة بجهاز الرصد بالليزر من الطائرة، وقدمت شبكة لتقسيم نقاط السحابة النقطية المرفقة بجهاز الرصد بالليزر من الطائرة وهي شبكة LAE-Transformer التي تعزز المعرفة المحلية. وأولاً، تم تقسيم هيكل الجيومتريا المحلية لنقاط السحابة من خلال ميزة توبولوجية سطحية، وزيادة قدرة النموذج على اصطياد تفاصيل المادة. ثم، تم استخراج سمة عميقة لنقاط السحابة من خلال موديول التكيف لنقاط الإبراز المشترك مع الإنتاج اللفظي للوحدات. وأخيراً، تم دمج الاتصال المتبقي الديناميكي خلال عملية رفع القيمة، ودمج معلومات فعالة من مجالات تأثير مختلفة بشكل تكيفي؛ وبالإضافة إلى ذلك، تم بناء مزيج الفيلتر المركزي المبوّب وأكبر فيلتر لملء نقص المعلومات. بناءً على إشارات بيانات سحابة النقطة DALES و LASDU، فإن نتائج الاختبار في هذا الدراسة أظهرت أن الدقة الكلية للشبكة (OA) ومتوسط التشابه المشترك (mIoU) تبلغ 97.8% و 80.8% بالإضافة إلى 87.2% و 68.5% على التوالي، مع الأخذ في الاعتبار أن متوسط التشابه المشترك (IoU) للمعلومات الموجودة في مجموعة بيانات DALES للشبكة الكبيرة، فيما تبلغ نسبة شبكة واير ومثبّت سور DALES 42.1% و 75.4% و 63.8% على التوالي، وهو يفوق معظم الشبكات الرئيسية الأخرى، وهو الأمر الذي أكد موثوقية هذه الشبكة في تقسيم نقاط السحابة من خلال جهاز الرصد بالليزر من الطائرة.

airborne LiDAR point cloud;deep learning;semantic segmentation;self-attention mechanism;local-aware enhancement;complex scenes;small-scale objects;Transformer