大規模な3Dポイントクラウドにおける効率的なセマンティックセグメンテーションの問題を研究する。既存の多数の手法は、高コストなサンプリング技術や計算量の多い前処理・後処理ステップに依存しており、小規模なポイントクラウドでのみ訓練・運用が可能である。本論文では、大規模な3Dポイントクラウドに対してポイントごとのセマンティック情報を直接推論できる、効率的かつ軽量なニューラルアーキテクチャであるRandLA-Netを提案する。本手法の鍵は、より複雑なポイント選択手法に代えて、ランダムなポイントサンプリングを用いる点にある。ランダムサンプリングは計算量およびメモリ使用量において顕著に効率的であるが、偶然に重要な特徴を棄却してしまう可能性がある。これを克服するため、各3Dポイントに対する受容 field を段階的に拡大する新しい局所特徴集約モジュールを導入し、幾何学的細部を効果的に保持する。広範な実験により、本手法のRandLA-Netは100万点のポイントクラウドを単一パスで処理可能であり、従来手法と比較して最大200倍の高速性を実現した。さらに、大規模ベンチマークであるSemantic3DおよびSemanticKITTIにおけるセマンティックセグメンテーションにおいて、本手法は最先端の手法を明確に上回っている。