포인트 클라우드 구조상의 특수한 성질로 인해 심층 모델 학습 특성의 결과를 해석하는 데 어려움이 존재한다. 포인트 클라우드 목표 인식 모델의 시각화 맵을 얻는 방법을 제안한다. 먼저 포인트 클라우드 공간에서 여러 자유 인자를 랜덤하게 배치하고 모델에 입력한 다음, 설계된 기여도 평가 지표를 기반으로 경사 하강법을 사용하여 백본 네트워크가 출력하는 풀링 특징이 목표 포인트 클라우드 인식 과정에서 출력되는 풀링 특징과 최대한 차이가 나도록 인자 위치를 업데이트한다. 반복된 인자는 인식 과정에 참여할 수 없으며, 모델 예측에 “제로 기여”를 한다. 목표 포인트 클라우드 내의 점을 이러한 인자의 위치로 이동시키는 것은 해당 점을 삭제하는 것과 동일한 인식 결과 영향을 미친다. 점 이동 과정은 미분 가능하며, 최종적으로 경사 정보에 따라 시각화 맵을 얻을 수 있다. 본 논문의 방법은 ModelNet40 데이터셋에서 PointNet 모델의 시각화 맵을 생성하며, 포인트 클라우드 중심을 이용한 시각화 맵 생성 방법보다 이론적 근거가 강하고 다양한 데이터셋에 적용 가능하다. 점을 “제로 기여” 인자 위치로 이동시키는 것은 점을 포인트 클라우드 중심으로 이동하거나 점을 삭제하는 것과 더 유사한 영향을 미친다. 본 방법에 따라 점을 삭제할 경우 모델 정확도가 더 빠르게 감소하며, 100개 점만 삭제해도 모델의 전체 정확도(OA)가 90.4%에서 81.1%로 하락한다. 또한 DGCNN과 PointMLP 평가 결과 해당 시각화 결과는 우수한 범용성을 가진다. 제안된 방법은 더 높은 정확도의 시각화 점수를 생성하며, 모델 기반으로 어떤 가정도 포함하지 않아 대부분의 포인트 클라우드 인식 모델과 데이터셋에 적용 가능하다. 해당 시각화 분석 결과는 목표 인식 네트워크 구축 및 데이터 증강에 대한 지침을 제공한다.

포인트 클라우드;시각화 맵;목표 인식;딥러닝;해석 가능성