정점 클라우드를 위한 강체 혼합 샘플을 통한 정규화 전략

데이터 증강은 심층 신경망의 과적합이라는 본질적인 단점을 완화하기 위한 효과적인 정규화 전략이다. 그러나 이미지 데이터에 대한 다양한 증강 방법이 제안되어 왔음에도 불구하고, 포인트 클라우드 처리 분야에서는 데이터 증강이 거의 고려되지 않고 있다. 실제로 포인트 클라우드의 경우 데이터셋이 작기 때문에 일반화 부족이 더 빈번하게 발생하므로 정규화는 더욱 필수적이다. 본 논문에서는, 하나의 샘플에서 일부를 다른 샘플로부터 구조를 보존한 부분집합으로 교체함으로써 가상의 혼합 샘플을 생성하는 새로운 포인트 클라우드용 데이터 증강 방법인 Rigid Subset Mix(RSMix)을 제안한다. RSMix는 이웃 함수를 활용하여 각 샘플에서 변형 없이 부분집합을 추출함으로써 포인트 클라우드 샘플의 구조적 정보를 유지한다. 이 이웃 함수는 포인트 클라우드 고유의 특성인 순서 없는 구조와 격자 없는 특성을 고려하여 철저히 설계되었다. 실험을 통해 RSMix가 심층 신경망의 정규화에 성공적으로 기여하며, 형태 분류 성능에 뚜렷한 개선을 이끌어냈다는 것이 검증되었다. 또한, 다양한 데이터 증강 방법의 조합(단일 및 다중 시점 평가 포함)에 대한 광범위한 제거 실험(ablation study)을 바탕으로 RSMix의 효과를 분석하였다.