포인트 클라우드에서 3D 인스턴스 세그멘테이션을 위한 SoftGroup

최근 최고 수준의 3D 인스턴스 세그멘테이션 방법들은 의미 세그멘테이션을 수행한 후에 그룹화를 수행하는 방식을 사용한다. 의미 세그멘테이션 과정에서 각 점은 단일 클래스에만 할당되는 하드 예측을 수행하게 되며, 이로 인해 발생하는 오류는 그룹화 단계로 전파되면서 (1) 예측 인스턴스와 진짜 레이블 간의 겹침이 낮아지고 (2) 상당한 수의 거짓 양성 사례가 발생하게 된다. 위의 문제를 해결하기 위해 본 논문은 하단에서 상단으로의 소프트 그룹화를 수행한 후에 정밀화를 수행하는 3D 인스턴스 세그멘테이션 방법인 SoftGroup을 제안한다. SoftGroup은 각 점이 다중 클래스에 할당될 수 있도록 허용함으로써 의미 예측 오류로 인한 문제를 완화하고, 거짓 양성 인스턴스를 배경으로 분류하도록 학습함으로써 이를 억제한다. 다양한 데이터셋과 다수의 평가 지표에서의 실험 결과를 통해 SoftGroup의 효과성을 입증하였다. SoftGroup은 ScanNet v2 은닉 테스트 세트에서 기존 최고 성능 방법 대비 +6.2%의 성능 향상을 기록하였으며, S3DIS Area 5에서는 AP_50 기준으로 +6.8%의 성능 향상을 달성하였다. 또한 SoftGroup은 빠른 속도를 갖추고 있어, ScanNet v2 데이터셋에서 단일 Titan X GPU로 스캔당 345ms의 시간 내에 처리가 가능하다. 해당 데이터셋에 대한 소스 코드와 학습된 모델은 \url{https://github.com/thangvubk/SoftGroup.git}에서 제공된다.