PointCT: 약한 지도 학습을 위한 포인트 클라우드 세분화를 위한 포인트 중심 트랜스포머 네트워크

점클라우드 분할은 3차원 이해에서 핵심적인 역할을 하지만, 이 작업을 위한 대규모 장면의 완전한 레이블링은 비용이 많이 들고 시간이 오래 걸리는 문제가 있다. 이러한 문제를 해결하기 위해, 우리는 약한 지도 학습(weakly-supervised) 기반의 점클라우드 세분화를 위한 새로운 엔드투엔드 학습 가능한 트랜스포머 네트워크인 Point Central Transformer(PointCT)를 제안한다. 기존의 접근 방식과 달리, 본 연구는 중심 기반의 어텐션을 활용하여 3차원 점들만을 기반으로 제한된 점 레이블링 문제를 해결한다. 두 가지 임베딩 과정을 도입함으로써, 본 연구의 어텐션 메커니즘은 이웃 영역 간의 전역 특징을 통합하여 미레이블링된 점의 표현력을 효과적으로 향상시킨다. 동시에 중심점과 그에 대응하는 각기 다른 이웃 영역 간의 상호 연결은 양방향으로 일관되게 유지된다. 더불어, 위치 인코딩(position encoding)을 적용하여 기하학적 특징을 강화하고 전체 성능을 향상시킨다. 특히 PointCT는 추가적인 지도 신호 없이도 다양한 레이블링된 점 설정 하에서 뛰어난 성능을 달성한다. 공개 데이터셋인 S3DIS, ScanNet-V2, STPLS3D에서 실시한 광범위한 실험을 통해, 제안된 방법이 기존 최첨단 기법들보다 우수함을 입증하였다.