Pour répondre au problème du manque de modélisation de la structure globale et du mauvais maintien des détails géométriques dans des nuages de points épars à grande échelle en intérieur, qui ne peuvent pas être directement appliqués à divers scénarios, cet article propose une nouvelle architecture réseau fusionnant la séquentialisation de remplissage spatial des points (SPFS) et la propagation de canal sensible à la géométrie (GCP) : le module SPFS réalise un ordonnancement adaptatif des points voisins via une courbe de remplissage spatiale, préservant explicitement les relations directionnelles et la proximité spatiale, améliorant ainsi la capacité de modélisation globale de la structure et réduisant la dépendance aux coordonnées explicites ; le module GCP exploite les relations géométriques entre points pour guider l'interaction pondérée des caractéristiques de canal et la fusion résiduelle, renforçant efficacement la capacité de discrimination pour les structures complexes et les zones frontières. Les résultats expérimentaux montrent que cette méthode obtient d'excellentes performances sur les principales métriques d'évaluation, avec une performance particulièrement remarquable sur les catégories difficiles et les petits objets. Les expériences sur le jeu de données intérieur en 3D de Stanford indiquent que <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> est passé de 70,0 % à 76,2 %, et <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> est passé de 82,4 % à 83,4 %. Cette étude offre une solution évolutive pour la segmentation sémantique efficace et précise de nuages de points à grande échelle, réalisant une meilleure précision globale tout en maintenant l'efficacité d'inférence et la mémoire comparables.

segmentation sémantique de nuages de points; séquentialisation spatiale; perception géométrique; compréhension de scènes 3D