FG-Net: 관련 특징 탐색과 기하학적 인지 모델링을 활용한 빠른 대규모 LiDAR 포인트 클라우드 이해 네트워크

이 연구에서는 볼륨화 없이 대규모 포인트 클라우드 이해를 위한 일반적인 딥러닝 프레임워크인 FG-Net을 제안한다. 이 프레임워크는 단일 NVIDIA GTX 1080 GPU를 사용하여 정확하고 실시간 성능을 달성한다. 먼저, 후속 고수준 작업을 촉진하기 위해 새로운 노이즈 및 이상치 필터링 기법을 설계하였다. 효과적인 이해를 위해, 국소적 특징 관계와 기하학적 패턴을 극대화할 수 있는 상관 특징 탐색(correlated feature mining)과 변형 가능 컨볼루션(deformable convolution) 기반의 기하학적 인지 모델링을 활용한 딥 컨볼루션 신경망을 제안한다. 효율성 문제 해결을 위해, 역밀도 샘플링(inverse density sampling) 연산과 특징 피라미드 기반 잔차 학습 전략(residual learning strategy)을 도입하여 각각 계산 비용과 메모리 소비를 절감하였다. 실제 도전적인 데이터셋에서 수행된 광범위한 실험을 통해 제안한 방법이 정확도와 효율성 측면에서 기존 최고 수준의 기법들을 능가함을 입증하였다. 또한, 약한 지도 학습 기반의 전이 학습(weakly supervised transfer learning)을 수행하여 본 방법의 일반화 능력을 추가로 검증하였다.