A classificação de nuvens de pontos a laser é a base para a compreensão de cenas tridimensionais. Para enfrentar os problemas de expressão insuficiente de características e desequilíbrio nas classes de amostras na classificação de grandes cenas de nuvens de pontos aerotransportadas, este artigo propõe um método de classificação para nuvens de pontos aerotransportadas que integra convolução de borda e autoatenção global-local. Primeiramente, usando U-net como estrutura da rede, o Point Transformer é integrado com um módulo de convolução de borda, permitindo que o modelo foque em limites complexos de objetos e informações de textura, obtendo características geométricas locais com melhor capacidade de expressão. Em seguida, propõe-se inovadoramente um mecanismo de autoatenção que combina informações de contexto global e características da estrutura local; o módulo de autoatenção global se inclina para as informações de toda a sequência de entrada, enquanto o módulo de autoatenção local foca mais nos detalhes da área local. A combinação dos dois mecanismos reforça a captura de dependências de longo alcance e estrutura local, ao mesmo tempo que permite que o modelo considere características chave de classes minoritárias, reduzindo em certa medida o impacto do desequilíbrio das classes na precisão da classificação, ajudando a melhorar a capacidade do modelo de classificar relações complexas de objetos. Por fim, o método proposto foi validado nos conjuntos de dados públicos ISPRS-3D e WHU-Urban3D, e os resultados experimentais indicaram que a precisão da classificação foi de 82,5% e 87,4% respectivamente, superando redes clássicas como PointNet++, Stratified Transformer e a rede oficial do concurso ISPRS 3D, podendo melhorar efetivamente a precisão da classificação de nuvens de pontos aerotransportadas.

LIDAR aerotransportado;classificação de nuvens de pontos;convolução de borda;autoatenção global-local;U-net