Os métodos existentes de reconhecimento de locais baseados em nuvens de pontos dependem principalmente da representação de características de pontos individuais ou regiões locais, com modelagem insuficiente das informações relacionais na vizinhança local, dificultando o aprendizado de padrões relacionais discriminativos e limitando o desempenho em cenários com estruturas geométricas semelhantes. Para resolver o problema mencionado, este artigo propõe uma rede RA-Net de reconhecimento de locais em larga escala baseada em percepção relacional para nuvens de pontos, que aprende representações de cena altamente discriminativas através da modelagem colaborativa de características relacionais locais e informações contextuais globais. Primeiro, é projetado o módulo de Extração de Características de Relações Espaciais (SRFE), que, por meio do aprendizado de pesos de percepção relacional e agregação adaptativa de características de vizinhança, explora efetivamente padrões relacionais na vizinhança local, considerando diferenças de características e deslocamento espacial, fortalecendo a capacidade discriminativa das características locais. Em seguida, é introduzido o módulo de Extração de Características Globais (GFE), que, ao fundir informações globais com características a nível de ponto, utiliza plenamente as informações contextuais globais para melhorar a capacidade de representação da cena. Os resultados experimentais mostram que a RA-Net pode gerar descritores globais mais discriminativos, alcançando desempenho superior de reconhecimento de locais em quatro conjuntos públicos de dados e demonstrando boa capacidade de generalização em cenários não vistos.

percepção relacional; nuvem de pontos; reconhecimento de locais; aprendizado profundo