Um dem Problem der unzureichenden globalen Strukturmodellierung und dem schlechten Erhalt geometrischer Details bei großflächigen, spärlichen Punktwolken in Innenräumen zu begegnen, die nicht direkt auf verschiedene Szenarien angewendet werden können, schlägt dieser Artikel eine neue Netzwerkarchitektur vor, die die räumliche Punktfüllsequenzierung (SPFS) mit geometrisch bewusster Kanalverbreitung (GCP) kombiniert: Das SPFS-Modul ordnet Nachbarpunkte durch eine adaptive räumliche Füllkurve geordnet an, bewahrt explizit Richtungsbeziehungen und räumliche Nähe, verbessert so die Fähigkeit zur globalen Strukturmodellierung und reduziert die Abhängigkeit von expliziten Koordinaten; Das GCP-Modul nutzt geometrische Beziehungen zwischen Punkten zur Steuerung der gewichteten Interaktion von Kanalmerkmalen und der Residualfusion, was die Diskriminierungsfähigkeit für komplexe Strukturen und Randbereiche effektiv erhöht. Die experimentellen Ergebnisse zeigen, dass diese Methode bei den wichtigsten Bewertungsmetriken hervorragende Leistungen erzielt und besonders in schwierigen Kategorien und bei kleinen Objekten hervorsticht. Experimente mit dem Stanford Indoor 3D-Datensatz zeigen, dass sich der <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula> von 70,0 % auf 76,2 % und der <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">A</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">c</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula> von 82,4 % auf 83,4 % erhöht hat. Diese Studie bietet eine skalierbare Lösung für eine effiziente und hochpräzise semantische Segmentierung großflächiger Punktwolken und erreicht eine höhere Gesamtgenauigkeit bei vergleichbarer Inferenz- und Speichereffizienz.

semantische Segmentierung von Punktwolken; räumliche Sequenzierung; geometrische Wahrnehmung; Verständnis dreidimensionaler Szenen