포인트 클라우드 세분화에서 클래스 불균형을 완화하기 위한 부분공간 프로토타입 안내

포인트 클라우드의 의미 분할은 지능형 에이전트의 인지 능력을 크게 향상시킬 수 있다. 그러나 분할 네트워크의 구분 능력은 각 카테고리별로 이용 가능한 샘플 수에 영향을 받는다. 카테고리 불균형으로 인한 인지 편향을 완화하기 위해 본 논문은 새로운 방법인 하위공간 프로토타입 안내(Subspace Prototype Guidance, \textbf{SPG})를 제안한다. 구체적으로, 포인트 클라우드는 초기에 각 카테고리별로 독립적인 포인트 세트로 분리되어 특성 하위공간 생성을 위한 초기 조건을 제공한다. 보조 브랜치는 인코더와 프로젝션 헤드로 구성되어 이 포인트 세트들을 각각 별도의 특성 하위공간으로 매핑한다. 이후 현재의 독립된 하위공간에서 추출한 특성 프로토타입과 과거 하위공간의 프로토타입을 결합하여 메인 브랜치의 특성 공간을 안내함으로써, 소수 카테고리의 특성 구분 능력을 강화한다. 또한 메인 브랜치의 특성 공간에서 도출된 프로토타입은 보조 브랜치의 학습을 안내하는 데도 활용되며, 이는 전체 네트워크의 수렴 안정성을 유지하기 위한 감독 루프를 형성한다. 대규모 공개 벤치마크(S3DIS, ScanNet v2, ScanNet200, Toronto-3D) 및 실세계 데이터를 활용한 실험 결과, 제안된 방법이 분할 성능을 크게 향상시켜 기존 최고 수준의 기법을 초월함을 입증하였다. 코드는 \url{https://github.com/Javion11/PointLiBR.git}에서 공개되어 있다.