적은 것이 더 많다: 3D 포인트 클라우드 세분화를 위한 작업 및 모델 복잡성 감소

최근 몇 년간 3D LiDAR 포인트 클라우드 데이터의 가용성이 크게 증가했음에도 불구하고, 레이블링(annotation)은 여전히 비용이 많이 들고 시간이 오래 걸리는 작업이어서 자율주행 등 응용 분야에서 반감지(semi-supervised) 세분화 방법에 대한 수요가 높아지고 있다. 기존의 연구들은 일반적으로 분할 정확도를 높이기 위해 상대적으로 큰 세분화 백본(Backbone) 네트워크를 사용하지만, 이는 계산 비용의 증가를 수반한다. 또한 많은 연구들이 학습에 필요한 진짜 레이블 데이터를 줄이기 위해 균일한 샘플링(uniform sampling)을 활용하지만, 이는 종종 최적의 성능을 달성하지 못하게 만든다. 이러한 문제를 해결하기 위해, 본 연구에서는 더 작은 아키텍처를 채택하여 기존의 최신 기법들보다 뛰어난 분할 정확도를 달성하면서도 더 적은 진짜 레이블(annotation) 데이터를 필요로 하는 새로운 파이프라인을 제안한다. 이는 네트워크의 파라미터 수를 크게 줄이면서도 전반적인 작업 성능을 유지할 수 있도록 하는 새로운 '스parse depthwise separable convolution' 모듈을 통해 가능해진다. 또한, 학습 데이터를 효과적으로 하향 샘플링하기 위해, 환경 내 센서의 운동 정보를 활용하여 보다 다양한 학습 데이터 프레임 샘플을 추출할 수 있는 새로운 '시공간 중복 프레임 하향 샘플링(Spatio-Temporal Redundant Frame Downsampling, ST-RFD)' 방법을 제안한다. 제한된 레이블 데이터를 효율적으로 활용하기 위해, LiDAR 반사도(LiDAR reflectivity)를 기반으로 한 소프트 편가(label) 방법도 추가로 제안한다. 제안된 방법은 SemanticKITTI(59.5@5%) 및 ScribbleKITTI(58.1@5%) 벤치마크 데이터셋에서 기존의 반감지 기법들을 상회하는 mIoU 성능을 달성하였으며, 모델 파라미터 수는 2.3배 줄이고, 곱셈-덧셈 연산 수는 641배 감소시켰음에도 불구하고, 제한된 학습 데이터 상황에서도 뚜렷한 성능 향상을 보였다. 이는 '적은 것이 더 크다(Less is More)'라는 원리를 실현한 결과이다.