随着激光雷达扫描仪、RGBD相机等3D采集技术的快速发展，3维点云数据的种类和数量显著增长。基于3维点云的分类、分割和识别等技术在自动驾驶(Chen等，2017)、文化遗产保护、医疗、机器人和城市规划等领域的应用需求也大大提升。传统的点云分类或分割方法，如基于区域分割的方法(Besl和Jain，1988)、基于属性的方法(Filin和Pfeifer，2006)和基于图优化(Fischler和Bolles，1981)的方法等，往往需要手工设计特征。因此，数据驱动的方法被提出用于点云特征的自动学习，特别是深度学习方法(LeCun等，2015)受到了越来越多的关注。然而，3维点云数据固有的无序性、排列不变性和稀疏性给现有的点云分类与分割方法带来了巨大的挑战。现有深度学习方法在点云分类分割上具有效率低、局部细节识别易混淆等缺点(Guo等，2020)。如何有效地对3维点云模型进行高精度识别成为一个亟待解决的问题。

一些工作将不规则的点云转化为规则的数据形式以便于特征学习，例如多视图方法(Su等，2015)和体素化方法(Zhou和Tuzel，2018)。Qi等人(2017a)提出了直接处理原始3维点云数据的点云分类分割深度学习框架，避免了冗余和费力的多视图和立体像素化数据预处理操作，缺点是只考虑了点云的全局特征而忽略了局部特征。随后，学者们开始重视点云局部特征的提取。例如，PointNet++(Qi等，2017b)使用球半径查询算法或K近邻算法(K-nearest neighbor, KNN)构造局部邻域，并提取局部邻域特征。PointWeb(Zhao等，2019)构造局部邻域内的稠密连接网，并通过一个自适应特征调整(adaptive feature adjustment，AFA)模块学习各点之间的相互关联。这些方法都使用最大值对局部邻域进行特征聚合，忽略了局部邻域内的其他邻域特征。

针对现有网络使用邻域特征中的最大值特征代表局部特征而忽略其他特征信息的问题，本文提出了空间注意力(spatial attention, SA)模块。空间注意力模块通过权值计算获取到更具有代表性的局部特征，避免了最大值操作所带来的信息丢失问题，提高了网络的分类与分割精度。同时，本文使用图卷积与空间注意力模块搭建分类分割网络。利用动态构图法表达3维点云局部拓扑结构，提取其边的特征，并使用SA对边的特征进行特征聚合。此方法在ModelNet40(Wu等，2015)分类任务、ShapeNetPart(Yi等，2016)和斯坦福大学大型3D室内空间数据集(Stanford Large-scale 3D Indoor Spaces Dataset, S3DIS)(Armeni等，2016)分割任务中都取得了显著的效果，超过或达到了现有的大多数方法。

根据网络特点，可以将基于深度学习的3维点云分类或分割大体分为3种：基于点态多层感知机的方法、基于卷积的方法和基于图的方法(Guo等，2020)。

最早的3D点云分类/分割网络是PointNet(Qi等，2017a)和PointNet++(Qi等，2017b)。点态多层感知方法使用多层感知(multi-layer perception, MLP)层独立提取每个点的特征，然后通过最大值池化操作将其聚合为全局特征(Guo等，2020)。PointNet++与PointNet的不同之处在于，PointNet++以PointNet作为其层次结构的核心，在特征提取之前添加了采样层和分组层，虽然考虑到了点云的局部特征，但是忽略了点云的上下文关联信息，缺乏捕获3维点云的集合特征的能力。在PointNet和PointNet++网络的基础上，还提出了其他方法，例如PointWeb(Zhao等，2019)。这种点态MLP网络的主要缺点是没有充分考虑3维点之间的几何关系。

从设计适合于3维点云不规则性的卷积核的角度，发展了许多基于卷积的方法。Wu等人(2019)在PointConv中，将卷积核定义为MLP学习的加权函数和用于补偿3维空间中非均匀采样的学习权重的密度函数。Xu等人(2018)在SpiderCNN中，将卷积设计为捕获局部测地距离信息的简单阶跃函数与保证特征提取可表达性的KNN的泰勒多项式的乘积。Thomas等人(2019)在核点卷积(kernel point convolution，KPConv)中，提出了一种点卷积设计，不同于网格卷积，该卷积核的参数是一系列带有权重的核点组成的，核点的数目不固定，对规则和可变形卷积都具有良好的灵活性。PointCNN(Li等，2018)使用了一个$ \chi $-Conv操作来实现点云的置换不变性，但计算复杂度较高。

由于图卷积网络(graph convolutional networks, GCN)在处理非结构化和无序数据(Thomas等，2019)方面的成功，基于图卷积网络的方法在点云应用中蓬勃发展。一般而言，基于图的神经网络将点云中的每个点视为图的一个顶点，并对每个点的所有邻居产生有向边。为了从顶点和边学习特征，可以在空间域和频谱域(Thomas等，2019)中设计卷积算子。2017年，边缘卷积神经网(edge-conditioned convolution，ECC)(Simonovsky和Komodakis，2017)提出了边条件卷积，该方法使用一个过滤生成网络对每个点的空间邻域进行过滤生成，并通过最大池化操作来聚合邻域信息。DGCNN(Wang等，2019)提出边卷积(edge convolution，EdgeConv)层，采用边卷积操作捕获中心点与其相邻点之间的局部关系，可以动态地逐层更新关系图。EdgeConv的核心层采用KNN算法构造图，并通过MLP学习边特征，最后通过最大值池化操作对特征进行聚合。LDGCNN(linked dynamic graph CNN)(Zhang等，2019)通过链接不同层次的特征提高其性能。

图在谱域的卷积是为了找到相应的傅里叶性质。Bruna等人(2013)利用图拉普拉斯算子的谱来生成卷积操作，提取图的全局特征。Defferrard等人(2016)将图上的卷积定义为切比雪夫多项式近似，并通过$ K $阶局部滤波操作实视每个点的快速特征映射。RGCNN (regularized graph CNN)(Te等，2018)逐层更新图拉普拉斯矩阵，使特征学习具有可扩展性。这些方法作用于全图，忽略了相邻点的相对位置和特征。为了获取更丰富的局部结构信息，LocalSpecGCN(local spectral graph convolution)(Wang等，2018)对一个由$ k $个最近邻构造的局部图进行频谱图卷积。

总结目前针对不同点云识别任务(如分类、分割和目标检测)的深度学习网络，可以认为, 无论局部学习、全局学习还是分层学习，深度学习网络通常都包括两个重要的步骤: 特征学习和特征聚合。如前文所述，大部分工作集中在特征学习的卷积算子的设计上，较少关注特征聚合操作的作用。Wang等人(2018)指出，在网络层中对信息聚合时采用了赢者通吃的最大值池化策略是目前点云深度学习方法的一个局限。因此，他们用递归聚类池化代替标准的最大值池化操作，该策略对点云的分类精度略有提升，但计算代价较高。Graph-CNN (Zhang和Rabbat，2018)使用全局和多分辨率池化来捕获点云的全局和局部特征，但是这种策略是针对特定网络的。

本文提出的点云深度学习网络结构如图 1所示。图中上半部分的分支为点云分类任务的网络，下半部分的分支为分割任务的网络。输入点集$ \boldsymbol{p}=\left\{\boldsymbol{p}_{1}, \boldsymbol{p}_{2}, \cdots, \boldsymbol{p}_{i}, \cdots, \boldsymbol{p}_{N}\right\} \subseteq \boldsymbol{\rm{R}}^{3}, \boldsymbol{p}_{i} $代表第$ i $个点的空间坐标。$ N $为采样点的个数，$ D $为每个点的特征维度，$ D=3 $意味着输入点云数据的3维坐标$ \left( {x,y,z} \right) $。输入$ N \times D $维的点云到可训练的空间转换网络STN(spatial transform networks)，此网络训练得到的空间转换矩阵可以对输入的点云数据进行坐标对齐；对齐后的数据使用动态图卷积(dynamic graph convolutional，DGC)模块操作得到局部邻域特征。分类网络中包含4层图卷积，从左到右卷积核个数依次为64，64，128和256，每层图卷积提取完特性信息之后使用空间注意力(SA)模块对局部邻域特征进行特征聚合。各层输出的特征进行特征融合后通过MLP进行全局特征提取。如图 1中所示，分类网络与分割网络的区别主要有两点：1)每层图卷积中MLP的数量不同，2)分割网络做了两次特征信息融合。分类网络输出整个点云属于$ m $类的得分，分割网络则输出点云中每一个点所属$ m $个类别的得分情况。

如图 2所示, 点云分类分割网络的特征学习过程可以分为两个步骤: 1)使用图卷积学习局部图结构中的边特征$ \boldsymbol{l}_{i} $; 2)使用空间注意力模块对局部邻域特征$ \boldsymbol{l}_{i} $进行特征聚合，得到局部特征$ \boldsymbol{L}_{i} $。图 2中$ N $代表输入点的个数，$ f $代表每个输入点的特征维度，$ k $表示点云中心点的邻居点的个数，$ \left\{ {32,64, \cdots ,D} \right\} $表示MLP各感知层神经元的数量，最后一层神经元数量为$ D $，则经过空间注意模块特征聚合后得到的特征维度是$ N \times D $。

把数据构造成带有顶点和边的图，在图数据上进行卷积的操作称为图卷积。普通的图卷积在网络中的每一层都应用一个固定的图，并在图结构上应用卷积操作。本文采用了动态的图卷积，每个点的K近邻在不同的网络层中是不相同的。K近邻点的变化使得每一层所构建的图结构随着层的不同而进行动态更新，因此称为动态图卷积。图卷积(Kipf和Welling，2016)可以分为两种类型: 基于频谱域和基于空间域，本文所使用的图卷积属于后者。使用动态图卷积提取特征分为两个步骤：1)使用K近邻算法构造图结构；2)使用MLP提取图结构中的边特征。

由于点云的数目非常大，为了减少计算成本，需要构建一个K近邻图结构来表示点云的一个局部区域。使用K近邻算法是在非欧氏空间中聚集点云局部邻居信息的常用方法。K近邻构图法不是构造具有完全连接的边的图，而是构造局部有向图$ \boldsymbol{G} $，从而减轻计算内存和计算资源的负担。如图 3所示。

由于特征提取操作对于每个中心点都是相同的，因此本文使用一个中心点$ \boldsymbol{p}_{i} $及其$k $个最近邻点$ {\boldsymbol{p}_{{i_j}}},j = 1,2, \cdots ,k $来说明此操作。其中，$ \boldsymbol{p}_{i} \subseteq \boldsymbol{\rm{R}}^{f} $(在网络第1层输入时，中心点的特征仅包括3维坐标，则其特征维度$ f$的值为3); $ \forall {\boldsymbol{p}_{{i_j}}} \subseteq \boldsymbol{Nei}\left( {{p_i}} \right),\boldsymbol{Nei}\left( {} \right) $表示邻域。首先对中心点$ \boldsymbol{p}_{i} $ (图 3中红色的点)使用K近邻算法，所选取到的邻居点$ {\boldsymbol{p}_{{i_j}}} $在图 3中以彩色表示，然后将中心点$ \boldsymbol{p}_{i} $与每个邻居点$ {\boldsymbol{p}_{{i_j}}} $使用有向边连接起来。使用K近邻算法所构建的图结构$ \boldsymbol{G} $的定义为

$ \boldsymbol{G}=(\boldsymbol{V}, \boldsymbol{E}) $

(1)

$ \boldsymbol{V}=\left\{\boldsymbol{p}_{i} \mid i=1,2, \cdots, N\right\} $

(2)

$ \boldsymbol{E}=\left\{\boldsymbol{e}_{i}=\left(\boldsymbol{e}_{i_{1}}, \boldsymbol{e}_{i_{2}}, \cdots, \boldsymbol{e}_{i_{j}}\right) \mid i=1,2, \cdots, N\right\} $

(3)

在图$ \boldsymbol{G} $中，$ \boldsymbol{V} $表示$ N $个局部顶点集合，$ \boldsymbol{E} $表示顶点之间的边的集合。

在本文网络中，对图结构中边特征的提取是由一个共享的多层感知机实现的，其中包含卷积层，批处理归一化层BN(batch normalization)和激活层ReLU(rectified linear unit)。多层感知机定义为$ {h_\mathit{\Theta} } $，它是带有一组可学习的权重参数的非线性函数，其参数集合定义为$ \mathit{\pmb{\Theta}} = \left( {{\theta _1}, \cdots ,{\theta _M},{\phi _1}, \cdots ,{\phi _M}} \right),M $是滤波器的数量。$ {\boldsymbol{e}_{{i_j}}} $表示中心点$ {\boldsymbol{p}_i} $及其相邻点$ {\boldsymbol{p}_{{i_j}}} $之间的边特征。边函数的选择对图卷积生成的边特征具有重要影响。Wang等人(2018)对每个局部子图边特征的学习既考虑了中心点与邻居点的相对特征，也考虑了中心点$ {\boldsymbol{p}_i} $本身的特征，这样能够有效结合全局几何信息和局部几何信息。本文采取了这种边特征$ {\boldsymbol{e}_{{i_j}}} $定义

$ \boldsymbol{e}_{i_{j}}=h_{\boldsymbol{\varTheta}}\left(\boldsymbol{p}_{i}, \boldsymbol{p}_{i}-\boldsymbol{p}_{i_{j}}\right) $

(4)

式中，$ {h_\mathit{\Theta} } $是用来实现$ {{\boldsymbol{\rm{R}}}^f} \times {{\boldsymbol{\rm{R}}}^f} \to {{\boldsymbol{\rm{R}}}^{f'}} $的特征学习。

由于该网络多次使用K近邻算法构建图结构，每一层所构造的图结构都不同。所以，使用$ {\boldsymbol{l}_i} $表示第$ i $个顶点在第$ l $个残差通道注意力层中多层感知机的输出。通过式(4)计算输出边特征$ {\boldsymbol{e}_{{i_j}}} $。局部子图$ \boldsymbol{G} $通过多层感知机得到局部邻域特征$ {\boldsymbol{l}_i} $，其中$ {\boldsymbol{l}_i} $的具体定义为

$ \boldsymbol{l}_{i}={ReLU}\left(B N\left(\sum\limits_{j:(i, j) \in \boldsymbol{E}} \boldsymbol{e}_{i_{j}}\right)\right) $

(5)

式中，$ ReLU $表示激活函数，$ BN $表示批处理归一化操作。

输入的点云数据经过动态图卷积层提取到局部邻域特征$ {\boldsymbol{l}_i} $，现有方法通常选择局部邻域特征中的最大值特征来代表该局部特征，定义为

$ \boldsymbol{L}_{i}=\max \left(\boldsymbol{l}_{i}\right) $

(6)

式中，$ {\boldsymbol{L}_i} $表示聚合之后的局部特征。

但是, 简单地对局部邻域进行最大值池化操作难免会丢失邻域中的其他特征。因此, 本文在对局部邻域特征的聚合过程中设计了针对点云的空间注意力模块，该模块顾及局部邻域内所有元素的特征，并且使用注意力机制增强局部邻域内有用的特征，弱化无用的特征。其定义为

$ \boldsymbol{L}_{i}=S A\left(\boldsymbol{l}_{i}\right) $

(7)

式中，$ SA $表示空间注意力模块的操作。

注意力模块的关键是使用注意力机制计算$ k $个邻居点对中心点的注意力权重。本文所设计的空间注意力模块SA的结构如图 4所示。它由4个单元组成：1)注意力激活; 2)注意力得分; 3)加权特征; 4)多层感知机(MLP)。首先通过全连接层学习每个潜在特征的注意力激活，然后通过Softmax函数计算相应特征的注意力得分。所学习的注意力分数可以视为自动选择有用的潜在特征的掩膜。随后，将注意力得分与局部邻域特征进行对应元素相乘，生成一组加权特征。最后，对加权特征进行求和运算得到有局部代表性的局部特征。

1) 注意力激活。如图 4所示，给定一组局部特征集合$ {\boldsymbol{l}_i} = \left\{ {\boldsymbol{l}_i^1, \cdots ,\boldsymbol{l}_i^k, \cdots ,\boldsymbol{l}_i^K} \right\},{\boldsymbol{l}_i} \in {{\boldsymbol{\rm{R}}}^{K \times D}} $，其中$ K $表示K近邻图中的$ K $个顶点，$ D $表示局部特征的维数。将局部特征$ {\boldsymbol{l}_i} $输入MLP函数$ g\left( \cdot \right) $，即全连接层，输出为一组学习得到的注意力激活参数$ \boldsymbol{C}=\left\{\boldsymbol{c}_{1}, \boldsymbol{c}_{2}, \cdots, \boldsymbol{c}_{K}\right\} \in \boldsymbol{\rm{R}}^{K \times D} $。

$ \boldsymbol{C}=g\left(\boldsymbol{l}_{i}, \boldsymbol{W}\right) $

(8)

式中，$ \boldsymbol{W} $表示共享的全连接层所学习的权重参数。

2) 注意力得分。本文使用Softmax函数作为注意力激活的归一化操作，计算出一组注意力得分参数$ \boldsymbol{s}=\left\{\boldsymbol{s}_{1}, \boldsymbol{s}_{2}, \cdots, \boldsymbol{s}_{K}\right\} \in \boldsymbol{\rm{R}}^{K \times D} $。第$ k $个特征向量的注意力得分为

$ \boldsymbol{s}_{k}=\frac{\exp \left(\boldsymbol{c}_{k}\right)}{\sum\limits_{j=1}^{K} \exp \left(\boldsymbol{c}_{j}\right)} $

(9)

3) 加权特征。本文使用注意力分数s和局部邻域特征$ {\boldsymbol{l}_i} $之间进行矩阵乘法以生成加权邻域特征，然后沿着$ K $个顶点对加权邻域特征求和以获得聚合之后的局部特征$ \boldsymbol{L}_{i} \in \boldsymbol{\rm{R}}^{1 \times D} $，计算过程为

$ \boldsymbol{L}_{i}=\sum\limits_{k=1}^{K}\left(\boldsymbol{l}_{i}^{k} * \boldsymbol{s}_{k}\right) $

(10)

其中，*符号表示矩阵相乘，即对应元素相乘。

4) 多层感知机模块。最后，本文将$ {\boldsymbol{L}_i} $输入到MLP中以控制局部特征向量的维度。该MLP包括一个全连接层(fully connected layer, FC)，归一化层(BN)和ReLU激活层。该层使注意力池化模块具有更大的灵活性来处理特征尺寸的减小。

通过式(8)-(10)及图 5演示了空间注意力模块如何将$ {\boldsymbol{l}_i} $的$ K $个局部邻域特征聚合到单个向量局部特征$ {\boldsymbol{L}_i} $中。

PointNet(Qi等，2017a)中提出的空间转换网络(STN)的作用是训练得到一组空间旋转矩阵，该旋转矩阵可以对输入的点云数据进行坐标对齐。空间转换网络可以直接将输入点云数据旋转到一个更好的角度，这更有利于网络对点云数据进行分类和分割。具体实现如图 5所示，输入的点云数据通过多个MLP与最大值池化预测3×3旋转矩阵$ \boldsymbol{R} $并将该矩阵$ \boldsymbol{R} $直接与输入点云数据进行矩阵相乘来实现坐标对齐。

本文方法在分类、实例分割和室内场景语义分割任务上与其他方法进行实验对比分析。实验运行环境和参数设置如表 1所示; 模型训练的参数设置如表 2所示。

评估指标：对于点云分类，使用两个指标来定量测试分类性能：总体分类精度(overall accuracy，OA)和每个类别的平均分类精度(mean accuracy，mAcc)。对于分割任务，性能指标为：总体准确率(OA)和平均交并比(mean intersection-over-union，mIoU)。为了计算某个特定类别的mIoU，需要对此类别中所有3维模型的IoU求平均值。其中IoU定义为

$ I o U=\frac{T P}{T P+F P+F N} $

(11)

式中，$ TP $表示真阳性数，$ FP $表示假阳性数，$ FN $表示假阴性数。

在ModelNet40(Wu等，2015)数据集上评估分类网络的分类性能。ModelNet40数据集包含来自40个类别的12 311个网格CAD(computer aided design)模型，其中9 843个模型用于训练，2 468个模型用于测试。本文参考Qi等人(2017b)的实验设置，对训练数据随机旋转、移动和缩放，并在每个点上添加随机噪声，从而达到对数据进行增强的效果。对于每个数据模型，从网格面采样1 024个点，本文使用采样点的3维坐标$ \left( {x,y,z} \right) $作为网络的输入。

为验证网络的分类性能，将DGCSA与3种基于点态MLP的方法、5种基于卷积的方法和4种基于图的方法进行比较，如表 3所示。这些对比网络的分类精度主要来自其原始论文实验结果，DGCNN网络(Wang等，2019)的结果为本地复现的实验结果。

表 3列出了本文网络和现有网络在ModelNet40测试集上的总体分类精度和平均分类精度。从表 3中可以明显看出，无论是总体分类精度还是平均分类精度，本文网络都达到了最好的性能，OA和mAcc分别达到93.4%和90.6%。在总体分类精度方面，本文网络比DGCNN高出了0.8%，比PointNet高出了4.2%，比PointnNet++高出了1.5%。同时，本文网络在获得最高分类精度的情况下，网络的输入仅为1 024个点的3维坐标。通过对比实验结果，证明了本文网络在点云分类任务上具有较强的性能。

与点云分类任务相比，实例分割是一项非常具有挑战性的3D细粒度分割任务，其目的是给定一个已知类别的模型，得出模型中每一个点所属零部件的类别标签得分。例如，输入一个飞机模型，将其分为机身、机尾和机翼等。本文网络在ShapeNetPart数据集(Yi等，2016)上验证了其优越的实例分割性能。ShapeNetPart数据集包含16个对象类的16 881个3维模型，注释了50个部件标签。大多数3维模型被标记为2~5个标签。在该实验中，从每个3维模型中采样2 048个点。为确保公平，本文采用与Qi等人(2017b)方法同样的训练、验证和测试数据集拆分方案。

将本文方法与PointNet、PointNet++和DGCNN进行了比较。ShapeNetPart实例分割数据集上的分割结果的性能对比如表 4第1列所示，其中列出了16个类别的交并比和平均交并比mIoU。在表 4中，第1行类别后的数字表示该类别在数据集中的数量。通过对比实验结果，可以发现本文网络的mIoU高出PointNet方法1.6%，高出PointNet++和DGCNN方法0.2%。本文网络在8个类别的IoU取得4种方法的最高值，实例分割总体性能较好。

为了直观展示实例分割在各个类别上的分割效果，本文可视化展示了一些实例分割效果，如图 6所示，其中不同颜色代表不同的部件类别。以真值为基准，通过对比部件边缘和部件连接处的分割细节，可以看出本文网络在实例分割的易混淆细节上的分割效果要优于DGCNN。

针对场景分割任务，采用了斯坦福大学大型3D室内空间数据集S3DIS(Armeni等，2016)验证本文网络对室内场景的分割性能。S3DIS数据集是由Matterport扫描仪获得的室内场景3维模型，其中包括来自6个区域(Area1, Area2, Area3, Area4, Area5, Area6)的271个房间的3维点云数据。共13个类别，包括ceiling、floor、door、chair等。为了确保测试结果的可比性，使用与PointNet++相同的设置：将每个房间划分为1 m×1 m的块，每个点都由9维向量(XYZ，RGB和归一化的空间坐标)表示，在训练过程中对每个块区域随机采样4 096个点作为输入。本文做了两组实验，第1组实验：在S3DIS数据集的Area1—Area6上进行训练，在Area5上进行测试。第2组实验：所有的数据都用于训练，并在Area1—Area6所有室内场景中进行6折交叉验证。

表 5中展示了Area5的评估结果。从表 5中可以看出本文网络在Area5中mIoU达到50.1%，比DGCNN高出3.0%，比PointNet高出9.01%。PointNet++也获得了很好的结果(50.04%)，这是由于PointNet++可以从局部几何结构中学习特征，并逐层抽象局部特征。

表 6为6折交叉验证结果，展现了不同方法在S3DIS数据集中的总体分类精度与平均交并比。其中本文网络的分割性能优势也非常显著，在平均交并比(mIoU)方面比DGCNN高3.0%，比PointNet++高4.6%，比PointNet高11.5%。在总体分类精度方面，本文网络也是最高的，达到了85.1%。

为了验证空间注意力模块的有效性以及相对于最大值池化的优越性，本文将空间注意力模块应用于PointNet和LDGCNN网络中替换其中的最大值池化操作，并在ModelNet40数据集上对比分类精度。实验结果如表 7所示。LDGCNN在ModelNet40的分类任务中分类精度为92.7%，使用空间注意力SA模块替换最大值池化使得LDGCNN的分类精度提高了0.6%，达到93.3%。使用空间注意力模块优化的PointNet网络在ModelNet40数据集上的分类精度相对于PointNet提高了0.5%。消融实验的结果对比表明，空间注意力模块相对于最大值池化而言具有更好的特征聚合能力。

针对现有点云分类分割网络简单地使用局部邻域中的最大值特征代表局部特征所带来的部分信息丢失问题，本文通过设计空间注意力模块，在聚合局部邻域信息的过程中，充分考虑了所有邻域特征，并且有选择性地加强包含有用信息的特征同时抑制无用特征，避免部分信息丢失。将空间注意力模块与动态图卷积的特征提取相结合，不仅可以获取更加强的表征，而且通过增强特征和减少信息丢失来提高模型的分类分割准确性。从实验结果来看，DGCSA可以显著提高分类、实例分割和室内场景分割的准确性。通过对实验结果的可视化结果来分析，本文方法对分割细节的处理要优于现有方法。针对注意力模块的消融实验也表明，该模块与其他点云分类模型相结合也能有效提高模型性能。

然而，在实例分割与室内场景分割任务的实验结果中存在某些类别的分割精度相对较低的现象。经过分析总结出两个原因：1)实例分割数据集中存在严重的样本不均衡现象，使得训练出的模型对特定的类别存在一定偏好；2)本文方法尚未针对点云数据集中分割样本不均衡的问题进行优化。

综上所述，下一步研究工作的重点是提升样本不均衡情况下的分割模型精度，具体的实现过程为优化点云分类与分割网络的损失函数并采用基于多模型网络结合不同方法中的特征，从而提高网络的特征提取能力。与此同时，采用最远点采样的方法减少模型的内存消耗并提高模型的推理速度。