Cette étude concerne le problème de l'incapacité à exploiter pleinement les informations topologiques locales des objets, la faible capacité d'expression des caractéristiques à différentes échelles et l'inefficacité de la segmentation des petits objets à partir des données de nuages de points Lidar aéroportés, et présente un réseau de segmentation de nuages de points Lidar aéroportés LAE-Transformer renforçant ainsi la perception locale. Tout d'abord, la structure géométrique locale du nuage de points a été segmentée en extrayant une caractéristique topologique plane, renforçant la capacité du modèle à capturer les détails des objets. Ensuite, la caractéristique profonde du nuage de points a été extraite en enchaînant un module de sous-échantillonnage et un module de transformation conjoint de la zone de points. Enfin, en introduisant une connexion résiduelle dynamique dans le processus de sur-échantillonnage, une fusion adaptative d'informations de différents domaines de perception a été réalisée; De plus, une couche de mise en commun mixte basée sur l'attention et la maximisation a été construite pour pallier le problème de perte d'informations. Sur la base des nuages de points des ensembles de données DALES et LASDU, les résultats des tests dans cette étude ont montré que la précision globale du réseau (OA) et l'intersection moyenne sur l'union (mIoU) étaient respectivement de 97,8% et 80,8%, ainsi que 87,2% et 68,5%.

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