MuGNet: 대규모 포인트 클라우드 세그멘테이션을 위한 다중 해상도 그래프 신경망

본 논문에서는 밀도가 높고 대규모인 포인트 클라우드의 의미론적 분할을 위한 다중 해상도 딥러닝 아키텍처를 제안한다. 밀집된 포인트 클라우드 데이터는 의미론적 분할을 수행하기 전에 계산 비용이 매우 큰 특징 인코딩 과정을 필요로 한다. 기존 연구들은 일반적인 컴퓨팅 하드웨어를 활용할 수 있도록 원시 포인트 클라우드를 극도로 감소시키는 다양한 접근법을 사용해 왔다. 이러한 방법들은 계산 부담을 어느 정도 완화할 수는 있으나, 여러 스캔 데이터를 동시에 처리하는 데에는 여전히 한계가 있다. 본 연구에서는 대규모 포인트 클라우드에서 의미론적 분할을 수행하기 위한 메모리 효율적이고 엔드투엔드(End-to-End)의 그래프 신경망 프레임워크인 MuGNet을 제안한다. 우리는 사전에 구성된 포인트 클라우드 그래프 위에서 그래프 신경망을 활용함으로써 계산 요구량을 줄였으며, 다양한 해상도의 특징 임베딩을 융합하는 양방향 네트워크를 통해 분할 정확도를 유지한다. 제안한 프레임워크는 Stanford Large-Scale 3D Indoor Spaces Dataset(S3DIS) 및 Virtual KITTI Dataset을 포함한 벤치마크 데이터셋에서 검증되었다. 실험 결과, 단일 11GB GPU에서 최대 45개의 방 스캔을 동시에 처리할 수 있음을 입증하였으며, S3DIS에서 전반적인 정확도 88.5%(+3%)와 mIOU 정확도 69.8%(+7.7%)를 달성하여 다른 그래프 기반 솔루션을 상회함을 보였다.