PointDAN: 포인트 클라우드 표현을 위한 다중 스케일 3D 도메인 적응 네트워크

도메인 적응(Domain Adaptation, DA) 기법은 분류, 탐지, 세분화를 포함한 다양한 머신러닝 및 컴퓨터 비전 작업에서 상당한 성과를 달성하였다. 그러나 현재까지 알려진 바에 따르면, 3차원 포인트 클라우드 데이터에 직접적으로 도메인 적응을 적용하는 방법은 여전히 매우 제한적이다. 포인트 클라우드 데이터의 고유한 도전 과제는 풍부한 공간적 기하 정보를 포함하고 있으며, 객체의 전반적인 의미는 지역적 기하 구조를 통합함으로써 형성된다는 점에 있다. 특히, 전반적인 특징 정렬에 어려움을 겪고 지역적 기하 정보를 무시하는 일반적인 DA 방법들은 3차원 도메인 적응에 적합하지 않다. 본 논문에서는 포인트 클라우드 데이터를 위한 새로운 3차원 도메인 적응 네트워크(PointDAN)를 제안한다. PointDAN은 다수준에서 전역 및 국소 특징을 공동으로 정렬한다. 국소 정렬을 위해, 도메인 간 정렬을 위한 구분 가능한 국소 구조를 모델링하기 위해 조정된 수용 영역을 갖춘 자기적응(Self-Adaptive, SA) 노드 모듈을 제안한다. 계층적으로 스케일링된 특징을 표현하기 위해, SA 노드 간의 관계를 가중치로 처리하는 노드 어텐션 모듈을 추가로 도입한다. 전역 정렬을 위해, adversarial 학습 전략을 활용하여 도메인 간 전역 특징을 학습하고 정렬한다. 현재 3차원 포인트 클라우드 DA 시나리오에 대한 공통 평가 기준이 없기 때문에, 세 가지 인기 있는 3차원 객체/장면 데이터셋(ModelNet, ShapeNet, ScanNet)에서 추출한 일반적인 벤치마크(PointDA-10)를 구축하여 도메인 간 3차원 객체 분류 작업을 위한 평가를 수행하였다. PointDA-10에서 실시한 광범위한 실험 결과는 제안한 모델이 최신의 일반적 DA 방법들에 비해 우수한 성능을 보임을 입증한다.