딥러닝 기반 점군 분류·분할 네트워크가 국부 컨텍스트 정보 추출 및 인접 점 특성 표현에서의 부족함과 최대 풀링이 준최적 정보 손실이 쉽게 발생하는 문제를 해결하기 위해, 이중 주의 메커니즘과 가중치 동적 그래프 컨볼루션 네트워크를 결합한 점군 분류·분할 알고리즘을 제안한다. 먼저, 가중치 동적 그래프 컨볼루션은 가중치가 부여된 K-최근접 이웃 알고리즘을 사용해 견고한 국부 구조를 구축하며, 강화된 엣지 컨볼루션 모듈을 도입해 점 특성을 가중하여 강화된 엣지 특성을 얻는다. 이후 채널 주의 메커니즘은 채널 간 상관성을 구축하고 각 채널의 잠재력을 해방하며, 공간 주의 메커니즘은 3D 점군의 공간 구조를 인지해 국부 의미적 특성 표현을 강화하고 효과적인 컨텍스트 정보와 심층 의미 특성을 추출한다. 마지막으로 TopK 풀링을 사용해 준최적 특성을 추가한다. 실험 결과, 본 알고리즘은 ModelNet40 분류 데이터셋에서 전체 분류 정확도 93.36%를 기록했고, ShapeNet Part 부품 분할 데이터셋에서 평균 교집합과 합집합 비율(IoU) 85.96%를 달성해 컨텍스트 정보 추출과 인접 점 특성 표현 강화에 효과적임을 입증했다.

분류 및 분할;3D 점군;주의 메커니즘;가중치 동적 그래프 컨볼루션;K-최근접 이웃 알고리즘