TriEn-Net：面向大规模点云语义分割的非参数表示学习

基于摘要分析。TriEn-Net 研究自动驾驶、遥感等场景中的大规模点云语义分割，通过分别处理空间坐标与高维语义特征的互补非参数模块，旨在增强表示能力并捕获大范围上下文。 方法上，作者提出直接输入完整点云，并区分点的空间坐标表示与高维特征表示；Non-parametric Encoding Module 负责空间坐标编码，Non-parametric Attention Module 负责语义特征编码。作者称这两个模块能够在不引入额外参数的情况下丰富信息表达；这并不意味着整个 TriEn-Net 没有可训练参数。摘要未给出模块运算、邻域构建、训练目标或完整点云输入的具体实现，计算与内存开销尚待核对。 作者报告，在 S3DIS 和 SemanticKITTI 上，TriEn-Net 以更少参数取得了优于对照方法的表现，但摘要未提供指标数值、基线名单、数据划分及参数统计口径，尚不能量化优势或判断不同协议下的可比性。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其将几何位置与语义特征分开处理的机制，可作为 EEG 通道空间信息建模的候选思路，但原研究依赖点云坐标与逐点语义监督，并非 EEG/BCI 方法。假设迁移至 EEG，需要重构通道坐标编码与时序特征接口；可复用的是空间编码和特征注意力的设计思路，而非直接套用点云分割流程。低信噪比、通道稀疏或位置不一致、小样本及跨被试差异均可能使该机制失效。一个可检验的小实验是在固定 EEG 编码器、训练预算和 Cross-subject 划分下，对比加入该空间模块前后的表现，并以打乱通道坐标作为对照，检验收益是否确实来自几何信息。已有 EEG 相关工作尚未检索确认。