초록
점군 분석의 기본 과제인 분류는 근본적이지만 여전히 도전적인 과제이다. 기존 방법에서 해결되지 않은 일부 문제들을 극복하기 위해, 점군의 기하학적 특징을 효과적으로 포착하여 보다 우수한 표현을 가능하게 하는 네트워크를 제안한다. 이를 위해, 먼저 저수준 3D 공간 내 점들의 기하학적 정보를 명시적으로 풍부하게 한다. 동시에 고수준 특징 공간에서는 CNN 기반 구조를 적용하여 국소적 기하학적 맥락을 암묵적으로 학습한다. 구체적으로, 오류 수정 피드백 구조의 아이디어를 활용하여 점군의 국소적 특징을 포괄적으로 포착한다. 더불어, 채널 유사성 기반의 주의 메커니즘(attention module)을 도입하여 특징 맵이 중복 가능성을 줄이고 독특한 채널에 주목하도록 돕는다. 합성 및 실제 점군 데이터셋에서의 성능 평가 결과, 제안하는 네트워크의 우수성과 적용 가능성이 입증되었다. 최첨단 기법들과 비교했을 때, 본 방법은 정확성과 효율성 사이의 균형을 잘 유지하고 있음을 확인할 수 있다.