كيفية استخلاص ميزات فعّالة من سحوبات النقاط الضخمة للفصل الدلالي قد لاقت اهتمامًا متزايدًا في السنوات الأخيرة. وبهدف معالجة هذه المشكلة، نقترح وحدة قابلة للتعلم تُستمد من خلالها ميزات موضعية سياقية من سحوبات النقاط الضخمة، ونُسمّيها SCF في هذه الورقة. تتكوّن الوحدة المقترحة بشكل رئيسي من ثلاث كتل، تشمل كتلة التمثيل القطبي المحلي، وكتلة التجميع المُوجّه حسب المسافتين، وكتلة ميزات السياق العالمية. بالنسبة لكل نقطة ثلاثية الأبعاد، يتم أولاً استكشاف كتلة التمثيل القطبي المحلي لبناء تمثيل مكاني غير حساس لدوران المحور z، ثم تُصمم كتلة التجميع المُوجّه حسب المسافتين لاستخدام تمثيلات الجيران لاستخلاص ميزات محلية أكثر تمييزًا بناءً على المسافات الهندسية والمسافات المميزة بينها، وأخيرًا تُصمم كتلة ميزات السياق العالمية لاستخلاص سياق عالمي لكل نقطة ثلاثية الأبعاد من خلال استغلال موقعها المكاني والنسبة الحجمية للجوار بالنسبة إلى السحابة ثلاثية الأبعاد العالمية. يمكن دمج الوحدة المقترحة بسهولة في مختلف الهياكل الشبكية للفصل الدلالي للسحوبات ثلاثية الأبعاد، مما يؤدي بشكل طبيعي إلى شبكة جديدة للفصل الدلالي ثلاثي الأبعاد ذات هيكل مشفر-فكّاك، تُسمّى SCF-Net في هذه الدراسة. وتوحي النتائج التجريبية الواسعة على مجموعتي بيانات عامتين بأن أداء SCF-Net يفوق عدة طرق من الدرجة الأولى في معظم الحالات.