초록
현재 3차원(3D) 센서의 중요성이 높아짐에 따라, 기본적인 포인트 클라우드 데이터에 대한 세밀한 분석은 추가적인 연구가 필요한 주제이다. 특히 실제 환경에서 촬영된 포인트 클라우드 장면은 현실 세계의 복잡한 주변 환경을 직관적으로 포착할 수 있지만, 3차원 데이터의 원시적 성격으로 인해 기계 인식에 매우 도전적인 과제가 된다. 본 연구에서는 실제 환경에서 수집한 대규모 포인트 클라우드 데이터에 대해 핵심적인 시각 작업인 의미 분할(semantic segmentation)에 집중한다. 한편으로는 근접한 포인트들 간의 모호성을 줄이기 위해, 양방향 구조(bilateral structure)를 활용하여 기하학적 특징과 의미적 특징을 모두 효과적으로 활용함으로써 지역적 맥락을 풍부하게 한다. 다른 한편으로는 다양한 해상도에서 포인트들의 구별성(distinctness)을 종합적으로 해석하고, 포인트 수준에서 적응형 융합(adaptive fusion) 방식을 적용하여 특징 맵을 표현함으로써 정확한 의미 분할을 달성한다. 또한, 주요 모듈의 효과를 검증하기 위해 구체적인 아블레이션 연구(ablation studies)와 직관적인 시각화를 제공한다. 세 가지 서로 다른 벤치마크에서 최첨단 네트워크들과의 비교를 통해 제안하는 네트워크의 효과성을 입증한다.