기존의 기내 LiDAR 점군 딥러닝 분할 알고리즘이 지물의 국부 위상 정보 활용에 어려움을 겪고 있으며, 다양한 스케일의 특징 표현력이 약하고 소규모 라벨 분할 성능이 충분하지 않은 문제를 해결하기 위해 본 연구에서는 국부 인식 강화가 융합된 기내 LiDAR 점군 분할 네트워크 LAE-Transformer(Local-Aware Enhanced Transformer)를 제안한다. 먼저, 얕은 위상 특성 추출을 통해 점군의 국부 기하학적 구조 그래프를 구축하여 모델의 지물 세부 정보 포착 능력을 향상시키고, 이어서 다운샘플링과 영역 점 관련 Transformer 모듈을 순차적으로 연결하여 점군의 심층 특성을 추출함으로써 다중 스케일에서 모델의 특징 인식 능력을 강화한다. 마지막으로 업샘플링 과정에서 동적 잔차 연결을 도입하여 서로 다른 수용 영역의 주요 정보를 적응적으로 융합하며, 또한 주의력 풀링과 최대 풀링을 기반으로 한 혼합 풀링 레이어를 구축하여 정보 손실 문제를 보완한다. DALES 및 LASDU 점군 데이터셋 테스트를 통해 본 논문에서 제안한 네트워크의 전체 정확도(OA)와 평균 교집합비(mIoU)는 각각 97.8%, 80.8% 및 87.2%, 68.5%에 도달하였으며, DALES 데이터셋 내 트럭, 전신주, 울타리 등 소규모 목표의 교집합비(IoU)는 각각 42.1%, 75.4%, 63.8%로 대부분의 주요 네트워크보다 우수하여 본 논문의 네트워크가 기내 LiDAR 점군 분할에서 신뢰성이 있음을 검증하였다.

기내 LiDAR 점군;딥러닝;의미 분할;자기 주의 메커니즘;국부 인식 강화;복잡한 장면;소규모 목표;Transformer