لتدريب شبكة عصبية ذات أداء عالي لتقسيم معنوي (Semantic Segmentation)، من الضروري امتلاك مجموعة بيانات كبيرة تحتوي على بيانات حقيقية (Ground Truth) تمكن الشبكة من التعميم على بيانات غير مرئية. في هذه الورقة، نقدم طرقًا جديدة لتعزيز السحابة النقطية (Point Cloud Augmentation) لتوسيع التنويع الاصطناعي لمجموعة البيانات. تعتمد طرقنا المبنية على الحساس (Sensor-Centric) على الحفاظ على بنية البيانات متناسقة مع إمكانيات حساس الليدار (LiDAR). وبفضل هذه الأساليب الجديدة، أصبح بإمكاننا إثراء البيانات منخفضة القيمة بعينات عالية القيمة، وكذلك إنشاء مشاهد جديدة تمامًا. وقد قمنا بتحقق من فعالية أساليبنا على عدة شبكات عصبية باستخدام مجموعة بيانات SemanticKITTI العامة، وأظهرنا أن جميع الشبكات تتحسن مقارنةً بمستوياتها الأساسية (Baselines). علاوةً على ذلك، نُظهر أن أساليبنا تُمكّن من استخدام مجموعات بيانات صغيرة جدًا، مما يوفر وقت التسمية، ووقت التدريب، والتكاليف المرتبطة بذلك.