점군 분류 및 분할은 로봇 내비게이션, 가상 현실 및 자율 주행 분야에서 널리 활용되고 있으며, 대부분의 점군 처리 딥러닝 방법은 공유 가중치 다층 퍼셉트론(MultiLayer Perceptron, MLP)과 단일 풀링을 사용하여 점군의 지역 특징을 집계하는데, 이는 복잡하게 배열된 점군 구조 정보를 정확하게 묘사하기 어렵다. 이를 해결하기 위해 다양한 형태의 점군 구조 정보를 효과적으로 표현하고 점군 분류 및 분할 성능을 향상시키기 위한 점군 형태 적응형 지역 특징 인코딩 방법을 제안한다. 이 방법은 먼저 차분과 학습 가능한 조절 인자를 사용하여 특징을 강화하는 적응형 특징 증강 모듈을 도입하여 공유 가중치 MLP의 표현력 부족 문제를 보완한다. 그 기반 위에 점군의 절대 공간 거리를 이용해 각기 다른 점에 다른 가중치를 부여하여 형태 변화에 적응하는 특징 집계 모듈을 설계하여 대표성 있는 점 집합을 강조하고 점군 지역 구조를 더 정확하게 묘사한다. 세 개의 대형 공개 점군 데이터셋에서 실험한 결과 ModelNet40 데이터셋에서 전체 인스턴스 분류 정확도 93.9%, 분할 데이터셋 ShapeNet과 S3dis에서 각각 전체 인스턴스 평균 교집합비(mIoU) 85.9%, 59.7%를 기록하였다. 제안한 방법은 점군 분류 및 분할 작업에서 우수한 성능을 보인다.

딥러닝; 점군 분류; 점군 분할; 지역 특징 집계