SageMix: Saliency-Guided Mixup for Point Clouds SageMix: 주목도 지도를 활용한 포인트 클라우드 믹스업

데이터 증강은 딥 러닝 모델의 일반화 능력을 향상시키는 데 중요한 역할을 합니다. Mixup은 과적합과 데이터 부족 문제를 완화하는 데 효과적인 간단하고 널리 사용되는 데이터 증강 기법입니다. 또한, 이미지 영역에서 최근의 주요성 인식 Mixup 연구들은 차별적인 부분을 보존하는 것이 일반화 성능 향상에 유익하다는 것을 보여주었습니다. 그러나 이러한 Mixup 기반의 데이터 증강 기법들은 3D 비전, 특히 포인트 클라우드에서 충분히 탐구되지 않았습니다. 본 논문에서는 SageMix라는 주요성 안내 Mixup 기법을 제안합니다. 이 기법은 포인트 클라우드에서 주요한 지역 구조를 보존하기 위해 설계되었습니다. 구체적으로, 두 개의 포인트 클라우드에서 주요한 영역을 추출하여 부드럽게 하나의 연속된 형태로 결합합니다. 재가중된 주요성 점수를 이용한 단순한 순차 샘플링으로 SageMix는 주요 영역의 국소 구조를 보존합니다. 광범위한 실험 결과, 제안된 방법이 다양한 벤치마크 포인트 클라우드 데이터셋에서 기존의 Mixup 방법들을 일관되게 능가함을 입증하였습니다. PointNet++와 함께 사용할 때, SageMix는 3D Warehouse 데이터셋 (MN40)과 ScanObjectNN에서 표준 학습보다 각각 2.6%와 4.0%의 정확도 향상을 달성하였습니다. 일반화 성능뿐만 아니라, SageMix는 강건성과 불확실성 캘리브레이션도 개선합니다. 더불어, 파트 세그멘테이션 및 표준 2D 이미지 분류 등 다양한 작업에 우리의 방법을 적용할 때에도 경쟁력 있는 성능을 보여줍니다.