[论文阅读]CVPR 2020——RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds

本文提出了目前制约对大场景点云的实时语义分割的因素有以下三点：

• 目前常用的点采样方法要么费时要么费内存，比如常用的FPS算法。
• 大多数现有的本地特征学习者通常依靠计算昂贵的内核化或图形构造，从而无法处理大量点。
• 对于通常由数百个对象组成的大规模点云，由于其有限的接收场大小，现有的局部特征学习器要么无法捕获复杂结构，要么效率低下。

从而引出本文提出了一种针对大场景的轻量级、高效点云语义分割新算法。

完成了两个任务：

1. 随机采样 random sampling，减少了计算量和内存。
2. 设计了 局部特征提取块，通过逐步增加每个神经层的接收场大小，能够有效地学习复杂地局部结构，克服了随机采样带来地偶然丢失信息特征地问题。

---

局部特征提取块：

• 对于每个3D点，首先引入局部空间编码（LocSE）单元以显式保留局部几何结构。
• 其次，利用attentive pooling来自动保留有用的本地功能。
• 第三，将多个LocSE单元和attentive pooling堆叠为膨胀的残差块，从而大大增加了每个点的有效接收场。
• 请注意，所有这些神经组件都实现为共享MLP，因此具有显着的内存和计算效率。

---

网络模块的介绍
论文阅读