基于特征增强的三维点云语义分割

鲁 斌，柳杰林*

（1.华北电力大学 计算机系，河北 保定 071003；2.复杂能源系统智能计算教育部工程研究中心（华北电力大学），河北 保定 071003）

0 引言

在计算机视觉领域三维（Three-Dimensional，3D）点云一直是研究热点，其中三维点云的语义分割是极为关键的一环，不仅对三维点云场景重建［1］和场景修复补全［2］等下游任务起着关键作用，更是在生物医学［3］、自动驾驶［4］和虚拟现实［5］等领域具有重要的应用价值。点云的采样不规则性、密度不均匀性和刚体变换的旋转性等特点，导致了语义分割任务困难，阻碍了它在上述应用场景的发展。

利用提取形状几何属性的空间分布等手段的传统点云分割方法［6-8］不再适合大型点云数据的处理。将三维点云映射到二维空间［9］、将点云体素化［10］和将三维点云投影成多视图［11］等方法虽然可以胜任点云语义分割任务，但计算量过大，忽略了点云数据原本的数据结构特点，造成了信息的丢失。Qi 等［12］开创性地提出了直接处理不规则点云数据的PointNet 架构，通过对称函数和空间变换网络分别解决了点云的无序性问题和旋转性问题，并使用共享权重卷积实现对特征的提取；但PointNet 只关注了点云的全局特征，没有对点云局部特征以及存在的几何关系进行处理。PointNet++［13］通过分层的思想实现了对点云局部特征的关注，但仍然缺少对点云几何特性的利用。目前点云语义分割的主流算法多是基于上述两个网络的改进策略，如PointConv（deep Convolutional networks on 3D Point clouds）［14］提出了密度重加权卷积的策略；PointNGCNN（deep Convolutional Networks on 3D Point clouds with Neighborhood Graph filters）［15］构造邻域图表示点间的联系，并通过切比雪夫多项式提取邻域图中包含的几何特征；SO-Net（Self-Organizing Network）［16］同样利用分层的思想，通过构建自组织映射模拟点云的空间分布。

尽管这些主流网络有效地解决了点云语义分割任务中存在的一些问题，但仍具有一定的共同局限性，即在对三维点云重要空间几何特征的获取与利用方面考虑不足。本文针对上述问题给出了解决方案并提出了一种基于特征增强的点云语义分割网络，赋予网络点云数据的几何特性感知能力，并引入注意力机制增强网络的预测性能，有效地解决了上述问题，提升了分割效果。

1 本文方法

本文提出了一个新的网络架构处理复杂场景的点云语义分割任务，图1 为所提网络的整体架构。网络以原始点云数据作为输入，首先经过点云的几何特征感知（Geometric Feature Sensing Of Point clouds，GFSOP）模块感知点间的几何结构特性，然后送入分组采样（Set Abstraction，SA）模块完成采样、分组和特征提取，将GFSOP 模块和SA 模块作为下采样组合，如图1 所示，数据顺序通过下_1、下_2 和下_3 这3 个组合结构完成下采样过程，然后通过上_3、上_2 和上_1 这3个反向插值结构以及上下采样结构相互对应的skip1_3、skip2_2 和skip3_1 跳跃连接完成上采样过程；最后由双注意力的融合预测模块完成预测分割任务。

图1 本文网络架构Fig.1 Architecture of the proposed network

1.1 几何特征感知

三维点云数据具有丰富的几何域特征，其中投影密度和几何特征在3D形状分析中发挥着重要的作用［17］。现主流语义分割网络对点云几何特性的关注存在一定的不足，然而点间的几何结构包含了丰富的语义信息，对分割工作会起到非常重要的作用。随机选取局部点云，存在的几何结构如图2所示。

图2 点云几何关系示意图Fig.2 Schematic diagram of geometric relationships between point clouds

1.2 几何特征感知模块

本文设计GFSOP 模块增强网络对点云几何特性的感知能力。如图3 所示，在一个GFSOP 模块中，受PointSIFT（SIFT-like networks module on 3D Point clouds）［18］启发，首先采用8 邻域查询最近邻点（Stacked 8-Neighborhood，S8N）算法提取中心采样点周围8 个方向的最近邻点信息，然后采用空间信息编码方法对提取到的最近邻点进行空间特征编码，最后通过在x、y、z轴方向上进行卷积的方法实现进一步的特征融合。实验结果表明，该模块可有效优化网络的几何特征感知能力，提高网络的语义分割精度，并在复杂局部结构和稀疏点云数据的环境下，较其他网络表现出更好的性能。

在GFSOP 模块中，与常用的K最近邻查找方法不同，中心点Pi的最近邻点使用S8N 算法得到。图4 为该方法原理示意图，该点云簇为真实场景截取所得，其中Pi是通过随机采样的方法确定的任意中心点；以中心点为原点，以三维点云空间中的x、y、z这3 个坐标轴面为切分面，将中心点周围的空间划分为8 个小立方体，也就是将中心点周围空间划分为了8 个不同方向上相等的小区域；设定查询半径r，在划分后的每个小立方体中查询r内距离中心点Pi最近的8 个邻域点，得到该方法下采样到的8 个不同方向上的最近邻点。当某个方向上查询区域内没有可选取的邻域点时，取中心点的特征作为该方向上邻域点特征。

图4 S8N算法采样示意图Fig.4 Schematic diagram of S8N algorithm sampling

使用S8N 算法采样得到的8 个最近邻点不仅是简单的位置坐标，它们与中心点之间具有很强的位置信息关联性和几何关系，包含了丰富的语义信息。本文对所得最近邻点进行编码，聚合各邻近点与中心点的空间语义信息，达到局部空间特征增强的效果。给定中心点pi、邻近点pj，定义空间信息编码规则如式（1）：

其中：Tencode表示邻近点编码后的新特征，Toriginal表示邻近点的原始特征 ‖，表示特征连接操作，⊕表示连接操作，‖pi-pj‖表示最近邻点与中心点的欧氏距离，MLP（）为多层感知机。对中心点坐标、最近邻点坐标和两点间欧氏距离进行空间位置信息编码并与原始特征聚合得到各邻近点的新特征，从中心点和最近邻点的空间坐标信息和空间位置信息中得到空间几何特性。

得到的新特征维度由n×d转化为了n×8×d，如式（2）～（4）所示，分别在三维空间中x、y、z轴方向上做卷积操作，给定特征M∈R2×2×2×d，前3 个维度2×2×2 分别表示该点在8 个子空间上的编码。以x轴卷积为例，输入数据维度为2×2×（2×d）（长×宽×通道），x轴可视为通道数为2×d的卷积输入“通道”，使用d个大小为1×1×（2×d）的卷积核，卷积完成后特征维度整合为1×2×2×d。同样方法完成在y轴和z轴方向的卷积，得到最终输出特征Mxyz。

其中：Wx、Wy、Wz表示待优化的卷积权重；L（-）代表ReLU［BN（-）］操作，即经过批归一化（Batch Normalization，BN）层和修正线性单元（Rectified Linear Unit，ReLU）激活函数。每个点经过三阶段的卷积最终都会得到新的特征向量Mxyz，该向量融合了不同方向的空间信息，丰富了局部特征，有利于提高网络学习空间几何特性的能力。

PointNet++［13］采用分层提取局部特征的思想，设计了多层SA 模块结构提取点云深层次的局部特征，同时使用多尺度分组（Multi-Scale Grouping，MSG）［13］特征融合方式解决了在点云分布不均匀时，在密集区域学习出的特征不适合稀疏区域的问题。本文网络充分利用分层特征提取的思想，采用多层GFSOP 模块和SA 模块组合结构，GFSOP 模块通过几何特征感知机制完成了点云几何结构特征的捕获，再通过SA模块的特征提取操作获得当前层的特征，其中通过最大池化（Max-Pooling，MP）实现局部信息融合，然后将得到的当前层特征再顺序送入两层该组合结构。对于单层该组合结构，实现对采样点8 个方向邻域内的点进行特征提取，因此具有8个方向下邻域的感受野，每个邻域对应1 个特征点，随着三层该组合结构的堆叠，各层的点对应了上一层8 个方向邻域的特征点，每一层都具有了不同的感受野，因此每一层提取到的是不同尺度的几何特征。网络在提取到点云局部特征的同时获得了感知不同尺度几何信息的多尺度感知能力，使网络在挖掘点云的局部特征关系方面表现出更加出色的性能。单层组合特征提取结构如图5 所示。

图5 单层组合特征提取结构Fig.5 Structure of single-layer combined feature extraction

1.3 双注意力的融合预测

本文网络设计了基于双注意力的融合预测模块，将空间注意力模块（Spatial Attention Module，SAM）［19］和通道注意力模块（Channel Attention Module，CAM）［19］融合用以预测分割结果，将插值上采样所得可判别特征作为输入特征同时送入SAM 和CAM。特征通过SAM 获得具有权重的空间特征关系，强化空间特征的关联性；同时通过CAM 得到具有权重的通道间的关联性表示，突出通道间的相互依赖关系。最后将特征融合，增强空间和通道维度中的全局特征，并通过非线性变换预测每个点的语义标签，输出每个点的分数，完成分割任务。模块结构如图6 所示。

图6 双注意力的融合预测模块结构Fig.6 Structure of fusion prediction module with dual attention

本文SAM 充分考虑点与点之间的关联性，注意力权重由两点间位置的相似性决定，相似性越高，分配的权重越高，选择性地聚集每个位置的特征，然后对位置特征进行更新，最后加权聚合所有位置特征，得到具有更强几何特征的特征表达。如式（5）（6）所示，给定输入特征MC×H×W，经过带有BN层和ReLU 操作的卷积操作后再维度转换生成新的特征图M1、M2和M3，将特征 图M1与特征图M2的转置相乘后通过Softmax 归一化得到空间注意力映射图SN×N，空间注意力权重表示为sij。

其中：Freshape()表示维度转换，φ()表示带有BN 层和ReLU 的卷积操作。

如式（7）所示，将注意力图SN×N与特征M3做一次矩阵相乘操作获得新的特征图聚合空间特征，乘上权重因子α并与原始特征M相加获得新的增强特征，为每个点原始特征与该点所有位置特征的加权和，提高了点云语义的一致性，其中α初始设置为0，通过学习完成更新。

无论是二维图像还是三维点云，通道间都存在一定的映射关系，通道注意力可以提取不同通道间的相互依赖关系，从而获取一定的语义信息，得到更丰富的全局特征。同样对于输入特征MC×H×W，为了保留通道间的映射关系，不对它作SAM 那样的卷积操作，而是首先对输入特征MC×H×W做维度转换得到M1、M2和M3，然后将M1与M2的转置做一次矩阵乘法，再运用Softmax 层进行归一化操作后得到通道注意力映射图XN×N，通道注意力权重xji表示第i通道对第j通道的影响，如式（8）所示。之后将XN×N与M3做矩阵乘法得到聚合了通道特征的新特征图，乘上一个因子β并与原始特征M相加获得新的增强特征，如式（9）所示。

SAM 通过学习自适应地选择具有更多位置语义信息的特征，通过分配不同权重，选择性地实现位置信息的特征增强；CAM 则更多关注通道间的依赖关系，通过通道间的相关程度有选择地聚集通道间的依赖性特征，实现特征增强。输入特征并行通过两个注意力模块后，对获得的新特征图以及原始特征图进行融合处理，保留原始特征避免信息丢失，以实现特征增强的目的。再通过非线性变换生成最终预测图，获得分割结果。整个双注意力预测模块可自适应地集成局部依赖和全局依赖，进一步提高特征的可分辨性，在点云语义分割的实验上表现出鲁棒性。

1.4 其他网络细节

S8N 算法较常用的K最近邻查找方法在一些情境下具有高效性和稳定性。图7 为S8N 算法的3D 表现。其中图7（a）展示的是点云簇在三维空间中的八方向空间划分，可以看出，K值的设定对K最近邻查询方法具有关键的作用，当K值较小时，搜索到的最近邻点很容易集中在一个很小的范围，如图7（b）中的椭圆区域，这不利于捕获点的整体特征。当使用S8N 算法时，搜索到的是图7（b）中小箭头所指8 个最近邻点，它们分布在中心点周围的8 个不同方向区域内，有利于丰富点的特征表达。且S8N 算法搜索的复杂度更低，如图7（c）所示，每次搜索只需在8 个方向中的某一方向的区域内进行，而K最近邻查找方法需要在周围所有区域内进行搜索。上述优势使得本文网络在对复杂局部结构和稀疏点云场景实现分割任务时具有较其他网络更优异的表现。

图7 S8N算法的3D表现Fig.7 Performance of S8N algorithm in 3D space

原始SA 模块中使用共享权重卷积层（shared-map）即多层感知机MLP（MultiLayer Perceptron）来完成点云局部和全局特征的提取，所有的神经元使用相同的权重值，同时使用特征对齐网络T-Net（joinT alignment Network）［12］使点云具有刚体变换不变性以增强分割效果。为了更好地提取点云数据更深层次和更细粒度的特征，如图8 所示，对原始SA 模块中特征提取部分作了优化。首先使用卷积核为1 的一维卷积替代原来通过调整二维卷积通道数量提取不同维度特征的方法；同时将原特征提取层MLP（64，128，1 024）加深优化为MLP（64，128，256）和MLP（256，512，1 024）两个特征提取层，增加了将点云特征从128 维提取到256、512 维的卷积操作，并在两个MLP 层间设计增加维度为（256×256）的T-Net特征对齐网络，增强对复杂点云特征的提取能力，使网络适应稀疏性不同的点云数据分割任务，增强扩展学习能力。

图8 优化特征提取模块示意图Fig.8 Schematic diagram of optimized feature extraction module

2 实验设计

2.1 数据集

使用S3DIS（Stanford large-scale 3D Indoor Spaces）数据集［20］对本文网络进行实验。三维基准S3DIS 数据集是由斯坦福大学开发的大尺度真实点云数据集，由RGB-D 传感器对3 个建筑物内的6 个大型室内区域的271 个房间采集得到，具有丰富的三维室内特征结构，场景中每个点都具有坐标信息（X，Y，Z）、归一化坐标和颜色信息（Red Green Blue，RGB），并带有像素级的13 个语义标签（天花板、地板、桌子、椅子等）。

2.2 实验环境及参数

本文实验在UBUNTU18.04.4、CUDA11.0 环境下，使用单个GeForce RTX 2080Ti GPU 进行训练与测试。由于实验设备限制，调整了批处理大小等参数以适应环境，训练时的批处理大小为16，初始学习速率为0.001，采用Adam 优化算法优化训练，通过PyTorch 1.7.1 框架实现，本文实验均在相同的实验环境下进行。

2.3 评价指标

评估指标采用点云语义分割领域常用的平均交并比（mean Intersection over Union，mIoU）、类别平均准确度（mean Accuracy，mAcc）和总体准确度（Overall Accuracy，OA）。OA 表示预测正确的点的数量在全部点云数量中的占比；mAcc 表示各类别准确度的平均值；mIoU 是语义分割的标准度量，表示模型对每一类预测的结果和真实值的交集与并集的比值，之后求和再计算平均。计算公式如下：

其中：k表示类别数，i表示真实类别，j表示预测类别，nii表示类别预测正确的点的数量，nij表示假负的数量，nji表示假正的数量。3 个指标值均为越高表示分割效果越佳。

3 实验与结果分析

3.1 实验结果分析

为了测试网络在整个数据集整体上的性能表现，体现模型真实性能，本文采用6 折交叉验证方法进行实验。将S3DIS 数据集中6 个area 区域排列组合划分为6 组实验，保证数据集中所有数据都可作为测试集进行测试。

本文网络与基准网络的实验评价指标对比如表1 所示。可以看出，本文网络在OA、mAcc 和mIoU 这3 个指标上分别达到84.1%、71.0%和58.5%，相较于基准网络PointNet++，分别提升了3.1、3.9 和5.7 个百分点，与RSNet（Recurrent Slice Network）和DGCNN（Dilate Gated Convolutional Neural Network）相比均有显著提升，表明本文所提几何特征感知、双注意力融合预测下的新网络在点云语义分割任务中具有更优秀的表现，可以显著提高整体分割效果。

表1 S3DIS数据集上的语义分割实验结果 单位：%Tab.1 Experimental results of semantic segmentation on S3DIS dataset unit：%

本文网络与其他网络在13 个类别物体上的分割精度对比如图9 所示。可以看出，本文网络在9 个类别上的分割精度都达到了最优，表明所提网络双注意力预测方法较其他网络预测方法具有显著的优势，通过双注意力预测模块实现了特征增强，利用更多显著性特征实现更加准确的分割；其中对椅子、桌子的预测表现最好，这是由于此类型物体具有更多的空间结构，本文设计的几何特征感知模块能帮助网络捕捉空间几何特征，提供多尺度的具有辨别力的几何语义信息，有效提升了对具有复杂立体结构物体的识别分割能力；网络对沙发的分割精度明显偏低，这是由于数据集中沙发的样本偏少，导致网络不能充分学习它的相关特征。对6 折交叉实验过程进行统计，基准网络PointNet++训练过程中每个轮次平均时间代价为64 min，测试周期平均消耗4.5 h；本文网络训练过程中每个轮次平均时间代价为72 min，时间代价增长8 min，测试周期平均消耗4.7 h，与基准网络基本持平，这主要是由于网络在对点云进行特征提取之前增加了GFSOP 模块感知几何特征的过程，使得处理时间有一定程度的增加，但相较于网络取得的效果，较小程度时间代价的牺牲可以接受。

图9 13个类别物体的分割精度对比Fig.9 Comparison of segmentation accuracy for thirteen categories of objects

部分场景的语义分割实验结果可视化如图10 所示。可以看出，本文网络具有更加出色的表现，分割结果更加真实。同时，也出现了一定的误分割现象，但相比其他网络的分割结果，已有了显著的改进，更加接近真实场景，优于当前许多工作。

图10 部分语义分割实验结果可视化Fig.10 Visualization of some experimental results of semantic segmentation

3.2 网络性能鲁棒性分析

为了进一步说明本文网络的优越性，选取了分割难度较大的部分场景进行验证。

图11 为卫生间场景的语义分割实验结果。该场景组成部分简单，多为大面积杂物、地板、天花板、墙和门，但这些类别物体都具有平面面积大、表面光滑和结构平整等相似性很强的特征，且相接边界较广，因此对分割边界具有较高的要求。如图11（b）所示门与墙壁的边界分割细节，PointNet++分割结果中存在两者边界分割不准确的现象，这是由于PointNet++采用插值上采样的方法补全特征点，然后通过简单的非线性操作实现预测分割，缺乏对点云全局和局部特征的充分利用；这个现象在本文网络得到的分割结果（图11（a））中有相当明显的改善，本文网络利用双注意力融合预测的方法聚集关键位置特征并且强调通道间的依赖关系，通过增加权重，实现了对点云依赖关系关键信息的提取与增强，有效地提升了边界分割效果。

图11 卫生间场景的语义分割对比结果Fig.11 Comparative results of semantic segmentation of bathroom scene

图12 为大堂场景的语义分割实验结果。该场景多由具有立体几何结构的桌子、椅子等构成，如图2 所示这类物体包含丰富的几何特征，通过图12（b）对桌子和垃圾桶的对比可以看出，PointNet++将桌子的支柱部分识别为了部分杂物和地板，垃圾桶的中间部位被识别为了椅子类别，这是由于PointNet++使用K近邻的方法分组采样，出现了采样中心点周围单一方向的点被划定为最近邻点的问题，缺少对全方位邻近点的考虑，造成了误分割的现象；本文网络所设计的几何特征感知模块更加科学地对中心点周围8 个方向进行采样，并通过空间信息编码赋予网络几何特征感知的能力，有效解决了立体结构物体的误分割问题，具有较高的准确性，保证了物体的完整性与连续性，有效地提高了分割效能。

图12 大堂场景的语义分割对比结果Fig.12 Comparison results of semantic segmentation of lobby scene

图13 为办公室场景的语义分割实验结果。该场景较为复杂，点云存在密度不均匀的问题，且含有部分噪声和离群点，具有很强的挑战性。图13（b）由上向下第3 个分割细节中的物体存在存在严重的密度不均现象，相较于PointNet++的分割结果，本文网络对物体的分割完整度有显著的提高；对比图13（b）中间的细节，所圈部分为墙壁，由于扫描角度问题，存在离群现象，且周围存在较多的噪声，PointNet++将它误分割为了杂物，显然是没有关注周围几何结构信息；同样的问题也体现在图13（b）的其他分割细节上。可见，本文网络对离群点和噪声问题也具有较强的处理能力，验证了本文网络的强鲁棒性。

图13 办公室场景的语义分割对比结果Fig.13 Comparative results of semantic segmentation of office scene

从以上对比实验可以看出，本文网络对原始点云的质量没有严格的先验要求，对密度不均匀、存在离群点和噪声问题均可有效改善并得到较为准确的分割效果，具有较好的适应性，故可认为本文网络在点云分割任务上具有较强的学习扩展能力，分割表现更加出色。

3.3 点云稀疏性实验

点云投影密度是语义分割任务中的关键因素，直接影响分割效果，也影响点云语义分割网络的性能，图14 为实验中点云立体投影密度三视图。

图14 点云立体投影密度三视图Fig.14 Three-view drawings of density of point cloud stereo projection

为验证本文网络对不同密度的点云数据具有更强的特征提取能力，进行了稀疏性实验，对采样的点云密度分别设置为4 096、2 048、1 024 和512，在PointNet、PointNet++和本文网络上分别进行实验，采用具有代表意义的平均交并比（mIoU）评价指标，对比分析结果如图15。

图15 稀疏性实验结果Fig.15 Sparsity experimental results

可以看出，在点云密度不同的情况下，各网络具有不同的分割精度，随着点云密度的下降，各网络均表现出分割效果下降的趋势，PointNet和PointNet++都有较为明显的下降幅度，且当点云数量减少到512和256时，即当处理稀疏点云时，本文网络表现出了较强的稳定性。因此认为，本文网络对复杂局部结构和稀疏点云密度条件下的语义分割具有鲁棒性。

3.4 消融实验

为了进一步验证本文网络的分割效果，选取S3DIS 数据集 中area（1、2、3、4、6）为训练 集、area5 为验证 集，在PointNet++的基础上设计了几何特征感知模块（+GFSOP）、空间注意力模块（+SAM）、通道注意力模块（+CAM）和双注意力融合模块（+SCAM）（Spatial and Channel Attention Module）不同模块组合下的消融实验，以mIoU、OA 和mAcc 为评价指标，表2 为不同模块组合下的分割效果对比。

表2 不同模块组合的消融实验结果 单位：%Tab.2 Results of ablation experiments of different module combinations unit：%

可以看出，以PointNet++为基准网络，添加GFSOP 模块后，通过对点云特征补充几何语义特征，经过分层特征抽取实现多尺度的特征融合，使mAcc、OA 和mIoU 均有一定的提升，分别提升1.5、1.8 和1.9 个百分点。在对注意力机制作用的消融实验中，单独加入CAM 即仅选择性地强调相互依赖的通道关系使得网络在mIoU 指标上有0.9 个百分点的提升，而在准确度上表现不甚突出，但相较于单独加入SAM 选择性地聚集每个位置的特征，还是有一定的优势。总结来说，单独加入SAM 或CAM 对网络分割效果的提升并不理想；在双注意力机制下，将空间注意力和通道注意力融合使用，既考虑点云数据的通道依赖关系，也考虑空间依赖关系，该网络在实验结果上表现出了较好的效果，mIoU 提升至57.9%，同时OA 提升至86.5%，较分别单独使用两个注意力模块OA（84.7%、85.0%）相比，有了较好的表现，这意味着点云数据的通道特征和空间特征具有一定的互补性，将两种特征结合能够有效地表征更加丰富准确的语义信息，进而提高总体语义分割精度。在同时加入GFSOP和SCAM后，网络模型则有了更加优秀的表现，与基准网络模型相比，mIoU 提高了3.6 个百分点，OA 提高了2.4 个百分点，mAcc 提高了2.8 个百分点，优于消融实验中其余各网络。上述模块间的消融实验结果表明，本文网络对点云数据具有较好的学习能力，对点云全局和局部特征都实现了有效增强，对语义分割任务起到了关键作用，有效地提升了网络的性能。

4 结语

语义分割是点云研究领域的一项具有重要意义和挑战性的工作，本文提出了一种新的点云语义分割网络。设计了点云的几何特征感知模块，获取更加丰富的点云几何特征，并利用分层特征提取思想实现多尺度特征提取；通过空间注意力和通道注意力加强点与点之间的相互联系，实现对显著性特征的自适应筛选，强化重要语义信息在预测分割时的作用。实验结果表明，所提网络在真实点云室内场景的语义分割中具有鲁棒性，在复杂局部结构和稀疏点云密度条件下表现出较强的稳定性，对输入网络的原始点云质量没有严格的先验条件，具有较好的适应性和较强的学习扩展能力，在较好地处理噪声和离群点的同时，也有效改善了较为普遍的分割边界不清晰的问题。分割边界问题是目前点云语义分割的瓶颈之一，具有很高的研究价值，今后拟对此问题进行进一步的研究；并尝试将网络推广到更为复杂的室外场景的语义分割工作。