針對目前點雲分割存在速度慢、顯存需求大的問題，該文提出以一種高效率學習的方法。從論文的結果來看，該文不僅在計算時間和計算資源上大幅縮減，分割效果也是達到甚至超過了SOTA。
采樣
大規模點雲處理的一個挑戰在於如何快速且有效地進行采樣，從而加速應用所需的時間和計算資源。針對這個問題，本文的一個貢獻在於比對了現有方法的效率，結論是盡管最遠點采樣是最流行的作法，但是對於LiDAR數據，每一幀上萬個點需要處理，隨機采樣是最適合的，速度快並且performance也不錯。但是隨機采樣可能會丟失重要的點，所以作者提出Local Feature Aggregation。
Local Feature Aggregation
該部分能並行處理點，包含三個units:1) local spatial encoding (LocSE), 2) attentive pooling, and 3) dilated residual block.
Local Spatial Encoding
對於每個采樣點，在原所有點雲中找其KNN個臨近點（歐氏距離）；再將該點和臨近點以及他們之間的差concatenate並用MLP學習得到相對位置
每個采樣點得到相對位置后，將其和該點的特征concate，得到該點的一系列最終的增強采樣點，組成一個向量。
Attentive Pooling
用attention的方式取代max/mean pooling進行特征融合
Dilated Residual Block
多層疊加
整個網絡結構
