기존의 도자기 유물 표현 학습 방법은 대량의 라벨이 붙은 데이터를 필요로 하는 감독 학습 방법에 기반하며, 수작업 라벨링은 시간과 노력이 많이 들고 점군의 내재 구조 정보를 효과적으로 학습하지 못하는 문제점이 있다. 본 논문에서는 국소-전체 양방향 추론에 기반한 비지도 표현 학습 방법을 제안한다. 우선, 다중 스케일 껍질 합성곱 계층 구조 인코더를 제안하여 다양한 스케일에서 유물 조각의 국소 특징을 추출한다. 다음으로, 국소에서 전체로 추론하는 모듈을 이용해 추출된 국소 특징을 글로벌 특징으로 매핑하고, 메트릭 학습을 통해 두 특징 간 차이를 측정하여 반복 학습한다. 이어서, 전체에서 국소로 추론하는 모듈을 이용해 얻은 글로벌 특징의 품질을 보장한다. 마지막으로, 다양한 계층의 국소 구조와 전체 형태 간 양방향 추론을 통해 유물 점군 표현을 학습하고, 학습된 점군 표현을 분류 다운스트림 작업에 적용한다. 해당 네트워크 모델은 병마용 데이터셋과 ModelNet40 공개 데이터셋에서 각각 93.33%와 92.02%의 분류 정확도를 기록했으며, PointNet 대비 각각 4.4%와 2.82% 높은 성능을 보였다. 동시에 비지도 및 지도 학습 방법 간의 다운스트림 분류 작업 격차를 줄였다.

비지도 표현 학습;다중 스케일;딥러닝;점군 분류;유물 가상 복원