レーザーポイントクラウド分類は3次元シーン理解を実現する基盤です。航空搭載ポイントクラウドの大規模シーン分類における特徴表現不足とサンプルクラスの不均衡問題に対処するため、本論文ではエッジ畳み込みとグローバル-ローカル自己注意機構を統合した航空搭載ポイントクラウド分類手法を提案します。まず、U-netをネットワークフレームワークとして使用し、Point Transformerとエッジ畳み込みモジュールを融合することで、複雑な地物境界やテクスチャ情報に着目し、より表現力の高い局所幾何特徴を獲得できるようにします。次に、グローバルコンテキスト情報とローカル構造特徴を融合した自己注意機構を革新的に提案します。グローバル自己注意モジュールは入力シーケンス全体の情報に注目し、ローカル自己注意モジュールは局所領域の詳細により注力します。これら二つの機構の組み合わせにより、長距離依存関係と局所構造の捉え方が強化され、少数クラスの重要な特徴も考慮することができ、クラス不均衡が分類精度に与える影響を一定程度軽減し、複雑な地物関係の分類能力向上に寄与します。最後に、公開されているISPRS-3DデータセットとWHU-Urban3Dデータセットを用いて本手法の検証を行ったところ、実験結果は両データセットでそれぞれ82.5％と87.4％の分類精度を示し、PointNet++、Stratified Transformerなどの従来のネットワークやISPRS 3D公式コンペティションネットワークを上回り、航空搭載ポイントクラウド分類精度を効果的に向上させることが示されました。

航空レーザースキャナー;ポイントクラウド分類;エッジ畳み込み;グローバル-ローカル自己注意;U-net