패치오그멘트: 포인트 클라우드 분류에서의 국소 이웃 증강

최근에 더 작은 규모이자 다양성이 낮은 데이터셋으로 훈련된 심층 신경망 모델들은 과적합, 저하된 로버스트성, 낮은 일반화 능력 등의 한계를 완화하기 위해 데이터 증강(data augmentation) 기법을 활용한다. 3차원(3D) 데이터셋을 사용하는 방법 중에서는 무작위 점 제거(random point drop), 스케일링, 이동(translation), 회전(rotation), 저잡음(jittering) 등의 데이터 증강 기법이 가장 널리 사용된다. 그러나 이러한 기법들은 고정된 방식으로 작동하며, 종종 객체 전체에 동일하게 적용되기 때문에 객체의 국소적 기하학적 특성을 고려하지 않는다. 객체 표면 상의 다양한 국소적 이웃(neighborhood)은 각각 다른 수준의 기하학적 복잡성을 지닌다. 전체 객체 수준에서 동일한 데이터 증강 기법을 적용하는 것은 기하학적으로 복잡한 국소적 구조를 효과적으로 증강하는 데 한계가 있다. 본 논문에서는 국소적 이웃에 대해 서로 다른 증강 기법을 적용할 수 있는 데이터 증강 프레임워크인 PatchAugment를 제안한다. PointNet++ 및 DGCNN 모델을 대상으로 수행한 실험 연구를 통해, PatchAugment가 3차원 점군 분류(task of 3D Point Cloud Classification)에서 효과적임을 입증하였다. 제안한 기법은 ModelNet40(합성), ModelNet10(합성), SHREC’16(합성), ScanObjectNN(실세계)의 네 가지 벤치마크 데이터셋을 활용하여 기존 모델들과 비교 평가되었으며, 우수한 성능을 확인하였다.