초록
3D 인식, 특히 포인트 클라우드 분류 분야는 상당한 진전을 이뤘다. 그러나 실세계 적용 상황에서는 장면의 복잡성, 센서의 정확도 부족, 처리 과정의 부정확성 등의 이유로 포인트 클라우드의 손상(corruption)이 피할 수 없다. 본 연구에서는 손상된 조건 하에서 포인트 클라우드 분류 성능을 철저히 벤치마킹하고 분석하는 것을 목표로 한다. 체계적인 탐구를 위해 먼저 일반적인 3D 손상의 분류 체계(taxonomy)를 제안하고, 기본적인 손상 원소(atomic corruptions)를 식별한다. 이후 다양한 대표적인 포인트 클라우드 모델들을 대상으로 포괄적인 평가를 수행하여 각 모델의 강건성(robustness)과 일반화 능력을 파악한다. 벤치마킹 결과에 따르면, 포인트 클라우드 분류 성능은 시간이 지남에 따라 향상되고 있으나, 최첨단 기법들 역시 강건성 측면에서 한계에 직면해 있음을 확인할 수 있었다. 이러한 관측 결과를 바탕으로 포인트 클라우드 분류기의 강건성을 향상시키기 위한 효과적인 기법들을 제안한다. 본 연구에서 제시하는 포괄적인 벤치마킹, 심층적 분석 및 제안된 기법들이 향후 강건한 3D 인식 분야의 연구를 촉진하기를 기대한다.