초록
포인트 클라우드 분석에서 포인트 기반 방법들이 최근 몇 년간 급속히 발전하고 있습니다. 이러한 방법들은 PointNeXt와 같은 간결한 MLP 구조에 집중되어 왔으며, 합성곱(Convolutional) 및 변환기(Transformer) 구조와 경쟁력을 보여주었습니다. 그러나 표준 MLP는 로컬 특징을 효과적으로 추출하는 데 한계가 있습니다. 이 한계를 극복하기 위해, 우리는 고차원 벡터를 통해 인접 특징을 집계할 수 있는 벡터 지향적 포인트 세트 추상화(Vector-oriented Point Set Abstraction)를 제안합니다. 네트워크 최적화를 용이하게 하기 위해, 3D 벡터 회전에 기반한 독립적인 각도를 사용하여 스칼라에서 벡터로의 변환을 구성합니다. 마지막으로, PointNeXt의 구조를 따르는 PointVector 모델을 개발하였습니다. 실험 결과, PointVector는 S3DIS Area 5에서 72.3% mIOU 및 S3DIS (6-폴드 크로스 밸리데이션)에서 78.4% mIOU의 최고 성능을 달성하였으며, PointNeXt의 모델 파라미터의 58%만 사용하였습니다. 우리는 이 연구가 간결하고 효과적인 특징 표현 탐색에 도움이 되기를 바랍니다. 코드는 곧 공개될 예정입니다.