특성 공간에서 클러스터링을 통한 콘텐츠 기반 트랜스포머를 사용한 포인트 클라우드 분류

최근 3D 포인트 클라우드 분류에서 트랜스포머의 활용 시도가 이루어지고 있습니다. 계산량을 줄이기 위해 대부분의 기존 방법은 로컬 스페이셜 어텐션에 초점을 맞추고 있지만, 그 내용을 무시하고 멀리 떨어져 있지만 관련 있는 포인트들 간의 관계를 설정하지 못하는 문제가 있습니다. 이러한 로컬 스페이셜 어텐션의 한계를 극복하기 위해, 우리는 포인트 콘텐츠 기반 트랜스포머 아키텍처를 제안하며, 이를 PointConT라고 약칭합니다. 이 아키텍처는 피처 공간에서 포인트의 지역성을 활용하여(콘텐츠 기반) 유사한 특성을 가진 샘플링된 포인트들을 같은 클래스로 클러스터링하고 각 클래스 내에서 자기 어텐션을 계산함으로써, 장거리 의존성과 계산 복잡성 사이에서 효과적인 균형을 이루도록 설계되었습니다. 또한, 우리는 포인트 클라우드 분류를 위한 인셉션 피처 집합기(Inception feature aggregator)를 소개하는데, 이는 병렬 구조를 사용하여 각 브랜치에서 고주파 및 저주파 정보를 개별적으로 집합화합니다. 광범위한 실험 결과, 우리의 PointConT 모델은 포인트 클라우드 형태 분류에서 뛰어난 성능을 보임을 확인할 수 있었습니다. 특히, 가장 어려운 설정인 ScanObjectNN에서 우리 방법은 Top-1 정확도 90.3%를 달성하였습니다. 본 논문의 소스 코드는 https://github.com/yahuiliu99/PointConT 에서 제공됩니다.