基于深度学习的点云特征提取模型出现顺序

基于深度学习的点云特征提取模型的出现顺序如下：

1. PointNet：2017年提出的第一个点云分类网络，使用全连接层对点云进行处理，但无法捕捉点云中的局部特征。

2. PointNet++：2017年提出的改进版PointNet，使用了层次化的局部特征学习方法，可以更有效地学习局部特征。

3. DGCNN：2018年提出的基于图卷积网络（GCN）的点云分类网络，使用局部特征和全局特征相结合的方法进行分类。

4. PointCNN：2018年提出的基于卷积神经网络（CNN）的点云分类网络，使用卷积操作对点云进行处理，可以更好地捕捉点云的局部特征。

5. RandLA-Net：2019年提出的基于点云分割的网络，使用基于兰德尔矩阵的点云采样方法，结合图卷积和局部卷积操作进行分割。

6. KPConv：2019年提出的基于卷积神经网络的点云分类和分割网络，使用基于点的卷积核进行卷积操作，可以更好地处理不规则形状的点云数据。

以上是基于深度学习的点云特征提取模型的主要出现顺序。