포인트 클라우드 세그멘테이션을 위한 대조 경계 학습

포인트 클라우드 세그멘테이션은 3차원 환경을 이해하는 데 있어 핵심적인 기술이다. 그러나 현재의 3차원 포인트 클라우드 세그멘테이션 기법들은 일반적으로 장면 경계에서 성능이 저조하며, 이는 전체 세그멘테이션 성능을 저하시킨다. 본 논문에서는 장면 경계의 세그멘테이션에 초점을 맞춘다. 이를 위해 먼저 장면 경계에서의 세그멘테이션 성능을 평가하기 위한 지표를 탐구한다. 경계에서의 만족스럽지 못한 성능을 해결하기 위해, 우리는 포인트 클라우드 세그멘테이션을 위한 새로운 대조적 경계 학습(Contrastive Boundary Learning, CBL) 프레임워크를 제안한다. 구체적으로 제안된 CBL은 다중 스케일의 장면 맥락을 활용하여 경계를 사이에 두고 있는 포인트들의 표현을 대조함으로써, 경계를 넘어선 포인트 간의 특징 구분력을 강화한다. 다양한 기준 모델 세 가지에 CBL을 적용한 실험을 통해, CBL이 다양한 기준 모델의 성능을 일관되게 향상시키고, 특히 경계에서 뛰어난 성능을 발휘함과 동시에 전반적인 성능(예: mIoU)에서도 우수한 결과를 달성함을 입증하였다. 실험 결과는 본 연구 방법의 효과성과 3차원 포인트 클라우드 세그멘테이션에서 경계의 중요성을 입증한다. 코드와 모델은 https://github.com/LiyaoTang/contrastBoundary에서 공개될 예정이다.