摘要

在点云分析中，基于点的方法近年来迅速发展。这些方法最近集中在简洁的多层感知机（MLP）结构上，例如 PointNeXt，该结构已显示出与卷积和变换器结构相当的竞争力。然而，标准的 MLP 在有效提取局部特征方面存在局限性。为了解决这一问题，我们提出了一种面向向量的点集抽象方法，可以通过高维向量聚合邻近特征。为了便于网络优化，我们构建了一种基于独立角度的标量到向量的转换方法，该方法利用了三维向量旋转。最终，我们开发了一种遵循 PointNeXt 结构的 PointVector 模型。实验结果表明，PointVector 在 S3DIS 区域 5 上达到了 72.3% 的平均交并比（mIOU），在 S3DIS（六折交叉验证）上达到了 78.4% 的平均交并比（mIOU），而其模型参数仅为 PointNeXt 的 58%。我们希望我们的工作能够促进简洁有效的特征表示的研究。代码将很快发布。