AGCN: 3D 포인트 클라우드 세그멘테이션을 위한 적대적 그래프 컨볼루션 네트워크

3D 포인트 클라우드 세그멘테이션은 의료, 로봇공학, 자율주행과 같은 응용 분야에서 객체 구조에 대한 고수준의 의미론적 이해를 제공하여 매우 유용하다. 본 논문에서는 3D 포인트 클라우드 세그멘테이션을 위한 적대적 그래프 컨볼루션 네트워크를 제안한다. 현재 많은 네트워크는 단순한 네트워크 아키텍처와 국소적 특징 집합 방식으로 인해 낮은 세그멘테이션 정확도와 높은 복잡도 등의 문제에 직면하고 있다.이러한 문제를 해결하기 위해, 우리는 (a) 분류 네트워크에 정보성 있는 피드백을 제공함으로써 세그멘테이션 정확도를 향상시키는 적대적 학습 기반의 그래프 컨볼루션 네트워크(GCN)와 (b) 국소적 특징 집합을 위한 그래프 컨볼루션 기법인 GeoEdgeConv를 제안한다. 이는 세그멘테이션 정확도를 향상시키면서도 공간 및 시간 복잡도를 개선하는 데 기여한다. 제안된 네트워크는 적대적 손실로 L2 임베딩 손실을 사용하여 이웃 레이블 간의 일관성을 강제함으로써 노이즈가 있는 레이블을 줄이는 능력을 학습한다. GeoEdgeConv는 점의 위치 정보와 상대적 위치 정보를 함께 사용하여 컨볼루션 계층에서 기하학적 구조를 유지함으로써, 복잡한 구조의 미세한 세부 정보를 효과적으로 학습할 수 있게 하여 경계 부분의 세그멘테이션 정확도를 향상시키고, 클래스 내부의 레이블 노이즈를 감소시키면서도 계산 복잡도를 증가시키지 않는다.ShapeNet Part 데이터셋에서 수행한 실험 결과, 제안 모델은 기존 최고 성능(SOTA) 모델을 초월하면서도 더 낮은 복잡도를 보였으며, 저전력 환경에서도 높은 세그멘테이션 성능을 요구하는 응용 분야에 매우 큰 잠재력을 지닌다는 것을 입증하였다.