Framework di apprendimento potenziato delle caratteristiche geometrico-spettrali per la classificazione di nuvole di punti multispettrali aeree

È stato proposto un nuovo framework per la classificazione di nuvole di punti multispettrali (MPC) aeree, che affronta sfide come l'informazione spaziale-spettrale eterogenea ad alta dimensione, la distribuzione sbilanciata dei campioni e la similarità spettrale tra classi. Il framework, descritto in un articolo arXiv (arXiv:2606.09123v2), introduce un metodo di fusione delle caratteristiche a due flussi con meccanismi di attenzione. Il primo flusso estrae caratteristiche spettrali globali codificate posizionalmente utilizzando l'auto-attenzione di fusione, mentre il secondo flusso impiega convoluzione puntuale multi-kernel e attenzione di aggregazione delle caratteristiche. Sono stati costruiti due dataset MPC per la valutazione. L'approccio migliora la capacità di rappresentazione delle caratteristiche spaziali-spettrali, aumentando l'accuratezza della classificazione della copertura del suolo.