점군 분석을 위한 적응형 그래프 컨볼루션

3차원 점군에서 2차원 격자형 도메인으로부터 일반화된 컨볼루션은 널리 연구되고 있지만 여전히 완성되지 않은 상태이다. 기존의 표준 컨볼루션은 3차원 점들 간의 특징 대응 관계를 구분 없이 처리하므로, 특징 학습의 구별성 부족이라는 본질적인 한계를 지닌다. 본 논문에서는 각 점의 동적 특징 학습에 따라 적응형 커널을 생성하는 적응형 그래프 컨볼루션(AdaptConv)을 제안한다. 고정된 또는 등방성 커널을 사용하는 기존 방식에 비해 AdaptConv는 점군 컨볼루션의 유연성을 향상시켜, 서로 다른 의미적 부분에서 발생하는 점들 간의 다양한 관계를 효과적이고 정밀하게 포착할 수 있다. 기존의 대표적인 어텐션 가중치 방식과 달리, AdaptConv는 이 적응성을 컨볼루션 연산 내부에 통합함으로써 이웃 점들에 각각 다른 가중치를 부여하는 방식이 아닌, 본질적으로 컨볼루션 자체의 구조를 동적으로 조정하는 방식을 채택한다. 광범위한 정성적 및 정량적 평가 결과, 제안한 방법은 여러 벤치마크 데이터셋에서 최신의 점군 분류 및 세그멘테이션 기법들을 상회하는 성능을 보였다. 코드는 https://github.com/hrzhou2/AdaptConv-master 에서 공개되어 있다.