Wir adressieren das Problem der Ortserkennung aus Punktwolken-Daten und stellen ein Netzwerk vor, das Selbst-Aufmerksamkeit und Orientierungscodierung (SOE-Net) nutzt. Dieses Netzwerk untersucht die Beziehungen zwischen den Punkten vollständig und integriert langreichweitigen Kontext in punktweise lokale Deskriptoren. Die lokale Information jedes Punktes aus acht Orientierungen wird in einem PointOE-Modul erfasst, während die langreichweitigen Merkmalsabhängigkeiten zwischen den lokalen Deskriptoren durch eine Selbst-Aufmerksamkeiteinheit berücksichtigt werden. Darüber hinaus schlagen wir eine neuartige Verlustfunktion vor, die als Hard Positive Hard Negative Quadruplet Loss (HPHN Quadruplet) bezeichnet wird und bessere Ergebnisse als die üblichen Metrik-Lernverlustfunktionen erzielt. Experimente auf verschiedenen Benchmark-Datensätzen zeigen die überlegene Leistung des vorgeschlagenen Netzwerks im Vergleich zu aktuellen state-of-the-art Ansätzen. Unser Code ist öffentlich unter https://github.com/Yan-Xia/SOE-Net verfügbar.