Este estudio se ocupa del problema de la incapacidad para aprovechar al máximo la información topológica local de los objetos, la escasa capacidad de expresión de las características en diferentes escalas y la ineficacia de la segmentación de objetos pequeños a partir de datos de nubes de puntos Lidar aéreas, y presenta una red de segmentación de nubes de puntos Lidar aéreas LAE-Transformer que refuerza así la percepción local. En primer lugar, se segmentó la estructura geométrica local de la nube de puntos extrayendo una característica topológica plana, reforzando la capacidad del modelo para capturar los detalles de los objetos. Luego, se extrajo la característica profunda de la nube de puntos mediante un módulo conjunto de submuestreo y transformación de la región de puntos. Finalmente, mediante la introducción de una conexión residual dinámica en el proceso de sobremuestreo, se realizó una fusión adaptativa de información de diferentes campos de percepción; Además, se construyó una capa de agrupamiento mixto basada en la atención y la maximización para paliar el problema de pérdida de información. Sobre la base de los datos de nubes de puntos de DALES y LASDU, los resultados de las pruebas en este estudio mostraron que la precisión general de la red (OA) y la intersección media sobre la unión (mIoU) fueron del 97,8% y el 80,8%, respectivamente, y el 87,2% y el 68,5%.

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