摘要
近年来，如何从大规模点云中学习有效的特征以实现语义分割，受到了广泛关注。针对这一问题，本文提出了一种可学习的模块——空间上下文特征学习模块（Spatial Contextual Feature, SCF），用于从大规模点云中提取空间上下文特征。该模块主要由三个核心模块构成：局部极坐标表示模块、双距离注意力池化模块以及全局上下文特征模块。对于每个三维点，首先通过局部极坐标表示模块构建一种对z轴旋转不变的空间表示；随后，设计双距离注意力池化模块，根据邻域点之间的几何距离与特征距离，自适应地聚合其邻域特征，从而学习更具判别性的局部特征；最后，全局上下文特征模块利用每个点的空间位置及其邻域体积占全局点云总体积的比例，建模该点的全局上下文信息。所提出的SCF模块可灵活嵌入多种点云分割网络架构中，自然地构建出一种基于编码器-解码器结构的新颖3D语义分割网络，本文将其命名为SCF-Net。在两个公开数据集上的大量实验结果表明，SCF-Net在多数情况下均优于现有的多种先进方法，展现出优异的性能。