杨 军，张敏敏

（1.兰州交通大学 测绘与地理信息学院，甘肃 兰州730070；2.兰州交通大学 自动化与电气工程学院，甘肃 兰州730070）

1 引 言

随着计算机技术的飞速发展，计算机图形处理能力已经得到极大提升，但在处理复杂的三维模型时仍较为困难。针对该问题，学者们提出了三维模型分割算法，旨在将给定的三维对象分割为有意义的部件，并为每个部件提供标签，可通过分析三维模型的局部信息来降低模型复杂度。它作为参数化、几何变形和纹理映射等数字几何处理工作的热点研究问题之一，具有广阔的应用前景［1］。

近年来，点云作为三维数据的原始表示受到了极大的关注，并被广泛应用于机器人［2］、自动驾驶［3］、机载激光雷达［4］等研究中。然而，非结构化的三维点云模型分割的实现通常需要对点云进行高层次的理解，所以准确捕捉模型的高级语义信息从而实现高效的三维点云模型分割仍然是研究领域面临的巨大挑战。深度神经网络的发展为点云的高效分析和处理提供了新的方法和手段。为将神经网络直接应用于三维点云，文献［5］提出了PointNet，首先使用多层感知机（Mul⁃tilayer Perceptron，MLP）和最大池化（Max Pool⁃ing）分别处理点云模型特征，然后通过融合局部及全局特征实现了三维模型的分割及分类。该方法虽然最大程度地保留了原始点云的空间特征，却忽略了模型的局部区域特征。为此，继PointNet之后，相关研究学者提出了以分层方式学 习 模 型 深 层 特 征 的 网 络 架 构，如So-net［6］，PointCNN［7］和SPH 3D-GCN［8］，虽然此类方法取得了阶段性的研究成果，但在分割过程中无法有效捕捉三维点之间的语义关系和上下文信息，使得分割效果欠佳。……