RandLANet

处理大规模点云，可单词处理100万个点

小尺度点云采样方法：最远点采样、逆密度采样

贡献

1、随机采样会造成信息丢失；使用局部特征聚合模块

2、用随机采样在大规模点云上（小尺度用不到）

3、证明baseline上显著的内存和计算收益，在多个大规模基准上超越了目前最先进的语义分割方法

局部特征聚合(Local Feature Aggregation_LFA)：

局部空间编码（Local Spatial Encoding）

input：Point Cloud（P）+per-point feature（原始RGB/中间学习特征）

i、找临近点，点P_i，采用简单临近算法（KNN）收集临近点，得到{P_i¹……P_i^k……P_i^K}

ii、相关点位置编码（学习局部位置特征）：

\[r_i^k=MLP(P_i⊕P_i^k⊕(P_i-P_i^k)⊕||P_i-P_i^k||) \]

\[P_i和P_i^k是对应点的（x,y,z）；⊕连接操作；||·||计算临近点和中心点欧氏距离 \]

\[r_i^k是从多余的点位置编码 \]

iii、点特征增强

对每个临近点P_i^k都得到她对应特征r_i^k，两者相连，的到f_i^k，之后通过LocSE单元输出记为F_i^k(是向量)

注意力池化

目的：整合临近点特征的几何

使用注意力机制自动学习重要的局部特征

\[input ：\vec{F_i}={\vec{f_i^1},\cdots\vec{f_i^k}\cdots\vec{f_i^K}} \]

i、计算注意力分数

\[s_i^k=g(\vec{f_i^k},W);\quad g():共享的MLP+softmax\quad W:共享MLP的可学习权重 \]

ii、加权求和

\[f_i^{'}=\sum_{k=1}^{k}(\vec{f_i^k}·\vec{s_i^k}) \]

扩展残差块

显著低增加每个点的接受域，保留几何细节