다중 스케일 구형 이웃을 이용한 3D 포인트 클라우드의 의미 분류

본 논문에서는 3D 포인트 클라우드에서 다중 스케일 이웃의 새로운 정의를 소개합니다. 이 정의는 구형 이웃과 비례 샘플링을 기반으로 하며, k-최근접 이웃을 사용할 때와 달리 일관된 기하학적 의미를 가진 특징의 계산을 가능하게 합니다. 적절한 학습 전략을 사용하면 제안된 특징은 랜덤 포레스트에서 3D 포인트 분류에 활용될 수 있습니다. 이러한 의미론적 분류 작업에서 우리는 동일한 실험 조건을 사용하여 제안된 다중 스케일 특징이 최신 특징들을 능가함을 보여줍니다. 또한, 그들의 분류 능력은 딥 러닝 방법 등을 포함하는 더 복잡한 분류 접근법과 경쟁할 수 있음을 확인하였습니다.