تتمثل عملية رسم الخريطة النقطية على الصورة المدى الكروية ثنائية الأبعاد في تحويل تقسيم المعنى لليدار إلى مهمة تقسيم ثنائية الأبعاد على الصورة المدى. ومع ذلك، لا تزال صورة مدى ليدار تختلف بشكل طبيعي عن الصورة ثنائية الأبعاد العادية RGB؛ فعلى سبيل المثال، يشفر كل موقع على صورة المدى المعلومات الهندسية الفريدة. في هذا البحث، نقترح مسارًا جديدًا لتقسيم المعنى لليدار يستند إلى الرسم ويتكون من بنية شبكة جديدة وخطوة معالجة ما بعد كفاءة. في بنية شبكتنا، قمنا بتصميم وحدة FID (فك التشفير بالتقريب الكامل) التي تقوم برفع عينات الخرائط الميزانية المتعددة الدقة مباشرة باستخدام التقريب الثنائي الخطي. مستوحىً من استخدام التقريب البعد ثلاثي الأبعاد في PointNet++، نعتقد أن هذه الوحدة FID هي نسخة تقريب البعد ثنائية الأبعاد في فضاء $(θ, ϕ)$(θ,ϕ). باعتبارها وحدة فك التشفير خالية من المعلمات، فإن FID تقلل بشكل كبير من تعقيد النموذج مع الحفاظ على أداء جيد. بالإضافة إلى بنية الشبكة، فقد اكتشفنا تجريبيًا أن توقعات نموذجنا لديها حدود واضحة بين الفئات الدلالية المختلفة. وهذا يجعلنا نعيد النظر فيما إذا كانت عملية المعالجة ما بعد باستخدام K-nearest-neighbor (KNN) الأكثر شيوعًا لا تزال ضرورية لمسارنا. ثم أدركنا أن التعيين الكثيف إلى واحد هو السبب في ظاهرة التشويش حيث يتم رسم بعض النقاط في نفس البكسل وتشارك في نفس التسمية. لذلك، نقترح معالجة تلك النقاط المحجبة بتعيين أقرب تسمية متوقعة لها. أظهرت هذه الخطوة NLA (تعيين التسمية الأقرب) أداءً أفضل من KNN مع سرعة استدلال أسرع في دراسة الإزالة. على مجموعة بيانات SemanticKITTI، حقق مسارنا أفضل الأداء بين جميع الأساليب المستندة إلى الرسم بدقة $64 \times 2048$64×2048 وبين جميع الحلول النقطية. يمكن إكمال كلٍ من التدريب واختبار نموذجنا على بطاقة واحدة من نوع RTX 2080 Ti ذات الذاكرة 11G باستخدام ResNet-34 كعمود فقري للشبكة. تم إطلاق الكود.请注意，我已将文本翻译成阿拉伯语，并遵循了您提供的翻译标准。如果您有任何进一步的要求或需要调整的地方，请随时告诉我。