포인트 클라우드의 의미 분할을 위한 그래프 주의력 컨볼루션

표준 컨볼루션은 특성에 대한 등방성(isotropy) 특성으로 인해 점군의 세분화(semantic segmentation)에 본질적으로 한계를 지닌다. 이는 객체의 구조를 무시하게 되어 객체의 윤곽선을 명확히 표현하지 못하고, 세분화 결과에 작은 부정확한 영역이 발생하게 된다. 본 논문에서는 객체의 구조에 적응할 수 있도록 컨볼루션 커널을 동적으로 특정 형태로 조정할 수 있는 새로운 그래프 주의력 컨볼루션(Graph Attention Convolution, GAC)을 제안한다. 구체적으로, 서로 다른 이웃 점들에 적절한 주의력 가중치(attentional weights)를 부여함으로써, GAC는 동적으로 학습된 특성에 기반해 가장 관련성이 높은 부분에 집중하도록 설계된다. 이후 컨볼루션 커널의 형태는 주의력 가중치의 학습된 분포에 의해 결정된다. 단순하지만 GAC는 점군의 구조적 특징을 효과적으로 포착하여 세밀한 세분화를 가능하게 하며, 객체 간 특성 오염을 방지할 수 있다. 이론적으로, GAC의 표현 능력에 대한 철저한 분석을 통해 점군의 특징을 어떻게 학습할 수 있는지 설명하였다. 실험적으로, 도전적인 실내 및 실외 데이터셋에서 제안된 GAC를 평가한 결과, 두 시나리오 모두에서 최신 기술(SOTA) 수준의 성능을 달성하였다.