MKConv: 포인트 클라우드 분석을 위한 다차원 특징 표현

딥러닝의 놀라운 성공에도 불구하고, 점군(point clouds)의 불규칙한 데이터 구조로 인해 최적의 컨볼루션 연산을 도출하는 것은 여전히 해결되지 않은 과제이다. 기존의 방법들은 연속 공간 내 임의의 점을 처리할 수 있는 효과적인 연속 커널 함수를 설계하는 데 주력하고 있다. 다양한 고성능 접근법이 제안되었지만, 본 연구에서는 기존의 표준 포인트와이즈(feature) 표현이 1차원 채널로만 이루어져 있어, 추가적인 공간적 특징 차원을 포함할 경우 더 풍부한 정보를 담을 수 있음을 관찰하였다. 본 논문에서는 포인트 특징 표현을 벡터에서 다차원 행렬로 변환하는 능력을 학습하는 새로운 컨볼루션 연산자인 다차원 커널 컨볼루션(Multidimensional Kernel Convolution, MKConv)을 제안한다. 기존의 표준 포인트 컨볼루션과 달리, MKConv는 두 단계로 진행된다. (i) 먼저, 다차원 커널 가중치를 활용하여 국소적 특징 표현의 공간 차원을 활성화한다. 이로써 확장된 공간적 특징은 특징 공간 내에서 공간 상관성과 채널 상관성을 동시에 반영하여, 보다 세밀한 국소 구조 정보를 표현할 수 있다. (ii) 그 후, 다차원 특징은 격자 구조를 갖는 행렬로 간주되어 이산 컨볼루션을 적용할 수 있다. 이러한 방식으로, 정보 손실이 발생하는 복셀화(voxelization) 없이도 이산 컨볼루션을 점군 데이터에 적용할 수 있다. 더불어, 국소 점 집합 내에서 보다 포괄적인 구조 인식을 제공하기 위해 다차원 국소 주의력(Multidimensional Local Attention, MLA) 모듈을 제안한다. 이 모듈은 공간적 특징 차원에 대해 재가중(weighting)함으로써 특징 표현의 의미를 강화한다. 실험을 통해 MKConv가 객체 분류, 객체 부분 세분화, 장면 의미 세분화 등 다양한 점군 처리 작업에 뛰어난 적용 가능성을 보이며, 우수한 성능을 달성함을 입증하였다.