희소하고 불규칙한 점군의 의미적 세그멘테이션을 통한 잎/목재 구분

LiDAR(Light Detection and Ranging)는 생태계 모니터링에 사용되는 원격 감지 도구 상자에서 필수적인 구성 요소로 자리 잡았다. 특히 LiDAR는 식생과 대기 간 가스 교환 모델에 영향을 미치는 중요한 불확실성 요인인 잎 면적을 사전에 없었던 정밀도로 지도화할 수 있는 기회를 제공한다. 무인 항공기(UAV)는 이동이 용이하여 기후 변화에 대한 식생 반응을 추적하기 위해 자주 재측정이 가능하다. 그러나 UAV에 탑재된 소형 센서는 일반적으로 밀도가 제한된 포인트 클라우드를 생성하며, 특히 캐노피 상부에서 하부로 갈수록 점점 강해지는 가림 현상으로 인해 포인트 밀도가 급격히 감소하는 문제가 있다. 이러한 환경에서는 잎 포인트와 나무 포인트를 구분하는 것이 특히 심각한 클래스 불균형과 공간적으로 불균일한 샘플링 밀도로 인해 큰 도전 과제가 된다. 본 연구에서는 포인트 기하학적 정보만을 활용(스펙트럼 정보 제외)하는 PointNet++ 아키텍처 기반의 신경망 모델을 제안한다. 국지적인 데이터 희소성 문제를 해결하기 위해, 국지적인 중요한 기하학적 정보를 유지하는 혁신적인 샘플링 방식을 제안하며, 심각한 클래스 불균형에 적합한 손실 함수도 함께 제안한다. 제안된 모델이 UAV 포인트 클라우드에서 최첨단 대안들보다 뛰어난 성능을 보임을 입증한다. 또한, 캐노피 하부에서 획득한 훨씬 더 밀도 높은 포인트 클라우드를 활용한 향후 개선 방향에 대해 논의한다.