포인트플레인넷: 포인트 클라우드 분석을 위한 플레인 커널 기반 컨볼루션 신경망

포인트 클라우드는 3D 데이터에 대한 적절한 표현으로 인정받고 있으며, 대부분의 3D 센서는 이 데이터를 생성할 수 있는 능력을 갖추고 있다. 그러나 포인트 클라우드는 불규칙한 형식을 가지므로 딥러닝 알고리즘을 활용한 분석이 상당히 도전적이다. 본 논문에서는 점과 평면 사이의 거리 개념을 활용하여 공간적 국소 상관관계를 효과적으로 탐구하는 새로운 합성곱 신경망인 Point-PlaneNet을 제안한다. 제안된 방법에서는 Rⁿ 공간 내에서 일련의 평면을 학습함으로써 포인트 클라우드로부터 국소 기하학적 특징을 추출할 수 있는 간단한 대체 로컬 연산인 PlaneConv를 도입한다. 제안된 네트워크는 원시 포인트 클라우드를 입력으로 사용하므로, 포인트 클라우드를 이미지나 볼륨으로 변환할 필요가 없다. PlaneConv는 간단한 이론적 분석이 가능하며, 딥러닝 모델에 쉽게 통합되어 성능을 향상시킬 수 있다. 분류, 부분 세그멘테이션, 장면 의미 세그멘테이션 작업에 대한 성능 평가를 위해, ModelNet-40, MNIST, ShapeNet-Part, S3DIS의 네 가지 데이터셋에 제안된 방법을 적용하였다. 실험 결과, 모든 작업에서 기존의 접근 방식과 비교하여 제안된 방법이 만족스러운 성능을 보였다.