В связи с тем, что существующие алгоритмы сегментации точечных облаков, получаемых с помощью бортового LiDAR с использованием глубокого обучения, затрудняют полноценное использование локальной топологической информации объектов, обладают слабой способностью выражения признаков на различных масштабах и демонстрируют недостаточно хорошие результаты сегментации мелкомасштабных объектов, в данном исследовании предложена сеть сегментации точечных облаков бортового LiDAR с локально-осознанным усилением LAE-Transformer (Local-Aware Enhanced Transformer). Во-первых, путем извлечения поверхностных топологических признаков конструируется граф локальной геометрической структуры точечного облака для усиления способности модели захватывать детали объектов; затем последовательно применяются модуль понижающей дискретизации и региональный Transformer для извлечения глубоких признаков облака точек, что улучшает восприятие признаков модели на разных масштабах; наконец, в процессе повышения дискретизации вводится динамическое остаточное соединение для адаптивного объединения ключевой информации с разных рецептивных полей; кроме того, построен гибридный слой пулинга на основе внимания и максимального пулинга для компенсации потерь информации. Тестирование на наборах данных точечных облаков DALES и LASDU показало, что общая точность (OA) и средний коэффициент пересечения по объединению (mIoU) предложенной сети достигают 97.8% и 80.8%, а также 87.2% и 68.5% соответственно, при этом коэффициенты пересечения (IoU) по мелкомасштабным объектам, таким как грузовики, электроопоры и заборы в наборе данных DALES, составляют 42.1%, 75.4% и 63.8% соответственно, превосходя большую часть других популярных сетей и подтверждая надежность предложенной сети для сегментации точечных облаков бортового LiDAR.

бортовой LiDAR;глубокое обучение;семантическая сегментация;механизм самовнимания;локально-осознанное усиление;сложные сцены;мелкомасштабные объекты;Transformer