분리된 로컬 집합을 위한 포인트 클라우드 학습

포인트 클라우드의 비정형 특성은 다양한 국소 구조에 적응할 수 있는 국소 집합이 필요함을 의미합니다. 이전 방법들은 각 집합 과정에서 공간 관계를 명시적으로 임베딩하여 이러한 요구를 충족하였습니다. 이러한 결합된 접근 방식은 분명한 의미론을 생성하는 데 효과적이었지만, 반복적인 관계 학습과 방향 및 포인트 특성을 혼합하기 위한 중복 계산으로 인해 집합이 크게 느려질 수 있습니다. 본 연구에서는 공간 관계의 명시적 모델링을 국소 집합에서 분리하는 방법을 제안합니다. 우리는 이론적으로 기본 이웃 풀링 연산이 포인트 특성에 필수적인 공간 정보가 인코딩되어 있다면, 특성 융합에서 명확성을 잃지 않고 작동할 수 있음을 증명하였습니다.분리된 국소 집합의 한 예로, DeLA라는 경량 포인트 네트워크를 소개합니다. DeLA는 각 학습 단계에서 상대적인 공간 인코딩이 먼저 형성되며, 이후 국소 집합을 위해 포인트별 컨볼루션과 엣지 맥스 풀링만 사용됩니다. 또한, 상대 좌표를 예측하여 발생할 수 있는 애매함을 줄이기 위해 정규화 항을 사용합니다. 개념적으로 간단하지만, 다섯 개의 고전 벤치마크에서 수행한 실험 결과는 DeLA가 지연 시간을 줄이거나 유사하게 유지하면서 최신 성능을 달성함을 보여줍니다. 특히, DeLA는 ScanObjectNN에서 90% 이상의 전체 정확도와 S3DIS Area 5에서 74%의 mIoU(mean Intersection over Union)를 달성하였습니다. 우리의 코드는 https://github.com/Matrix-ASC/DeLA 에서 확인하실 수 있습니다.