Diese Studie befasst sich mit dem Problem, die lokale topologische Information von Objekten nicht voll auszuschöpfen, eine geringe Ausdruckskapazität der Merkmale in verschiedenen Maßstäben aufweist und die Segmentierung kleiner Objekte aus Luft-Lidar-Punktwolken-Daten ineffektiv ist. Der Netzwerk LAE-Transformer zur Segmentierung von Luft-Lidar-Punktwolken verstärkt die lokale Wahrnehmung. Zunächst wurde die lokale geometrische Struktur der Punktwolke durch Extrahieren eines flachen topologischen Merkmals segmentiert, um die Modellfähigkeit zur Erfassung von Objektdetails zu stärken. Dann wurde das tiefe Merkmal der Punktwolke durch die Verkettung eines Downsampling-Moduls und eines gemeinsamen Punktbereichs-Transformationsmoduls extrahiert. Schließlich wurde durch Einführung einer dynamischen Restverbindung im Upsampling-Prozess eine adaptive Fusion von Informationen aus verschiedenen Wahrnehmungsbereichen durchgeführt; Darüber hinaus wurde eine Mischpoolingschicht auf der Grundlage von Aufmerksamkeit und Maximierung zur Behebung des Informationsverlustproblems konstruiert. Basierend auf den Punktwolken-Datensätzen DALES und LASDU zeigten die Testergebnisse in dieser Studie, dass die Gesamtgenauigkeit des Netzwerks (OA) und die durchschnittliche Schnittmenge über Union (mIoU) jeweils 97,8% und 80,8% bzw. 87,2% und 68,5% betragen.

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