Da bestehende tiefenlerngetriebene Segmentierungsalgorithmen für luftgestützte LiDAR-Punktwolken Schwierigkeiten haben, lokale topologische Informationen von Objekten vollständig zu nutzen, eine schwache Fähigkeit zur Merkmalsdarstellung auf unterschiedlichen Skalen aufweisen und die Segmentierung von kleinskalierten Zielen nicht ideal ist, schlägt diese Studie ein luftgestütztes LiDAR-Punktwolken-Segmentierungsnetzwerk mit lokal-aufmerksamer Verstärkung LAE-Transformer (Local-Aware Enhanced Transformer) vor. Zunächst wird durch Extraktion oberflächlicher topologischer Merkmale ein Graph der lokalen geometrischen Struktur der Punktwolke erstellt, um die Fähigkeit des Modells zur Erfassung von Objektdetails zu verbessern; anschließend werden Downsampling und regionaler Punkt-Transformer-Module nacheinander kombiniert, um tiefe Punktwolkenmerkmale zu extrahieren und die Merkmalswahrnehmung des Modells auf mehreren Skalen zu verstärken; schließlich wird im Upsampling-Prozess eine dynamische Residualverbindung eingeführt, um wichtige Informationen aus verschiedenen Empfangsfeldern adaptiv zu fusionieren; außerdem wurde eine hybride Pooling-Schicht basierend auf Aufmerksamkeits-Pooling und Max-Pooling entwickelt, um Informationsverlust auszugleichen. Tests an den Punktwolkendatensätzen DALES und LASDU zeigten, dass die Gesamtgenauigkeit (OA) und der mittlere Intersection-over-Union-Wert (mIoU) des vorgeschlagenen Netzwerks 97,8 % bzw. 80,8 % sowie 87,2 % bzw. 68,5 % erreichen. Die Intersection-over-Union-Werte (IoU) für kleinskalierten Ziele wie Lastwagen, Strommasten und Zäune im DALES-Datensatz lagen bei 42,1 %, 75,4 % und 63,8 % und übertrafen damit die meisten anderen gängigen Netzwerke, was die Zuverlässigkeit des vorgeschlagenen Netzwerks bei der Segmentierung luftgestützter LiDAR-Punktwolken bestätigt.

Luftgestütztes LiDAR;Deep Learning;semantische Segmentierung;Selbstaufmerksamkeitsmechanismus;lokal-aufmerksame Verstärkung;komplexe Szenen;kleinskalierten Ziele;Transformer