레이저 포인트 클라우드 분류는 3차원 장면 이해를 실현하는 기반입니다. 기상 포인트 클라우드 대규모 장면 분류에서 특징 표현 부족과 샘플 클래스 불균형 문제를 해결하기 위해 본 논문에서는 에지 컨볼루션과 전역-지역 자기 주의 메커니즘을 통합한 기상 포인트 클라우드 분류 방법을 제안합니다. 먼저, U-net을 네트워크 구조로 하여 Point Transformer와 에지 컨볼루션 모듈을 융합하여 모델이 복잡한 지물 경계와 텍스처 정보를 주목할 수 있도록 하여 더 나은 표현력을 가진 지역 기하학적 특징을 얻도록 합니다. 다음으로, 전역 문맥 정보와 지역 구조 특징을 융합한 자기 주의 메커니즘을 혁신적으로 제안하였습니다. 전역 자기 주의 모듈은 전체 입력 시퀀스 정보를 중시하는 반면 지역 자기 주의 모듈은 지역 영역의 세부사항에 더욱 집중합니다. 두 메커니즘의 결합은 장거리 의존성과 지역 구조 포착을 강화하며, 모델이 소수 클래스의 핵심 특징도 고려할 수 있게 하여 클래스 불균형이 분류 정확도에 미치는 영향을 어느 정도 줄여 복잡한 지물 관계 분류 능력 향상에 기여합니다. 마지막으로, 공개된 ISPRS-3D 데이터셋과 WHU-Urban3D 데이터셋에서 제안된 방법을 검증하였으며, 실험 결과 두 데이터셋에서의 분류 정확도가 각각 82.5%와 87.4%로 PointNet++, Stratified Transformer 같은 전통적인 네트워크 및 ISPRS 3D 공식 경연 네트워크보다 우수하여 기상 포인트 클라우드 분류 정확도를 효과적으로 향상시킴을 보였습니다.

기상 라이다;포인트 클라우드 분류;에지 컨볼루션;전역-지역 자기 주의;U-net