포인트 클라우드는 로봇공학이나 자율주행 차량 등 수많은 응용 분야에서 유연하고 자연스러운 표현을 제공합니다. 최근에 원시 포인트 클라우드 데이터를 처리하는 딥 뉴럴 네트워크가 객체 분류와 의미 분할 등의 지도 학습 과제에서 유망한 결과를 보여주었습니다. 현대 스캐닝 기술을 사용하면 대규모 포인트 클라우드 데이터셋을 캡처할 수 있지만, 이러한 큰 3D 포인트 클라우드를 수동으로 라벨링하여 지도 학습 과제에 사용하는 것은 번거로운 과정입니다. 이는 지도 학습에서 필요한 주석화된 샘플의 수를 크게 줄일 수 있는 비지도 데이터로부터 학습할 수 있는 방법이 필요함을 의미합니다. 우리는 원시 포인트 클라우드 데이터에서 딥 러닝을 위한 자기 지도 학습 과제를 제안합니다. 이 과제에서는 신경망이 무작위로 재배열된 부분들을 포함하는 포인트 클라우드를 재구성하도록 훈련됩니다. 이 과제를 해결하면서, 포인트 클라우드의 의미적 특성을 포착하는 표현이 학습됩니다. 우리의 방법은 네트워크 아키텍처에 독립적이며, 후속 객체 분류 과제에서 현재 비지도 학습 접근법보다 우수한 성능을 보입니다. 실험적으로, 우리의 방법으로事前학습한 후 지도 학습을 수행하면 최신 모델의 성능이 향상되고 샘플 효율성이 크게 개선됨을 보였습니다.注：在最后一句中，“事前学習” 是日语词汇，正确的韩语翻译应该是“사전 학습”。以下是修正后的版本：포인트 클라우드는 로봇공학이나 자율주행 차량 등 수많은 응용 분야에서 유연하고 자연스러운 표현을 제공합니다. 최근에 원시 포인트 클라우드 데이터를 처리하는 딥 뉴럴 네트워크가 객체 분류와 의미 분할 등의 지도 학습 과제에서 유망한 결과를 보여주었습니다. 현대 스캐닝 기술을 사용하면 대규모 포인트 클라우드 데이터셋을 캡처할 수 있지만, 이러한 큰 3D 포인트 클라우드를 수동으로 라벨링하여 지도 학습 과제에 사용하는 것은 번거로운 과정입니다. 이는 지도 학습에서 필요한 주석화된 샘플의 수를 크게 줄일 수 있는 비지도 데이터로부터 학습할 수 있는 방법이 필요함을 의미합니다. 우리는 원시 포인트 클라우드 데이터에서 딥 러닝을 위한 자기 지도 학습 과제를 제안합니다. 이 과제에서는 신경망이 무작위로 재배열된 부분들을 포함하는 포인트 클라우드를 재구성하도록 훈련됩니다. 이 과제를 해결하면서, 포인트 클라우드의 의미적 특성을 포착하는 표현이 학습됩니다. 우리의 방법은 네트워크 아키텍처에 독립적이며, 후속 객체 분류 과제에서 현재 비지도 학습 접근법보다 우수한 성능을 보입니다. 실험적으로, 우리의 방법으로 사전 학습한 후 지도 학습을 수행하면 최신 모델의 성능이 향상되고 샘플 효율성이 크게 개선됨을 보였습니다.