RandLA-Net: 대규모 포인트 클라우드의 효율적인 시맨틱 세그멘테이션

대규모 3D 포인트 클라우드에 대한 효율적인 의미 분할 문제를 다룹니다. 기존 대부분의 접근 방식은 비용이 큰 샘플링 기법이나 계산량이 많은 사전/사후 처리 단계에 의존하기 때문에, 소규모 포인트 클라우드에 한해 학습 및 운영이 가능합니다. 본 논문에서는 대규모 3D 포인트 클라우드에 대해 각 포인트의 의미 정보를 직접 추론할 수 있는 효율적이고 가벼운 신경망 아키텍처인 RandLA-Net을 제안합니다. 본 연구의 핵심은 더 복잡한 포인트 선택 방식 대신 무작위 포인트 샘플링을 사용하는 것입니다. 비록 계산 및 메모리 사용 측면에서 매우 효율적이지만, 무작위 샘플링은 우연히 중요한 특징을 제거할 수 있습니다. 이를 극복하기 위해, 각 3D 포인트에 대한 수용 영역을 점진적으로 확장하는 새로운 로컬 특징 집계 모듈을 도입하여 기하학적 세부 정보를 효과적으로 보존합니다. 광범위한 실험 결과에 따르면, 본 RandLA-Net은 단일 패스로 최대 100만 개의 포인트를 처리할 수 있으며, 기존 방법 대비 최대 200배 빠릅니다. 또한, 두 개의 대규모 벤치마크인 Semantic3D와 SemanticKITTI에서 의미 분할 성능 측면에서 기존 최고 수준의 접근 방식을 명확히 능가함을 확인했습니다.