SAT3D: 3D 포인트 클라우드 의미 세분화를 위한 슬롯 주의 변환기

3D 포인트 클라우드의 의미 세분화는 자율 주행 차량, 교통 모니터링 등의 여러 지능형 교통 시스템 응용 분야에서 핵심 작업입니다. 야외 포인트 클라우드의 점 밀도가 희소하고 다양하기 때문에 데이터에서 객체 중심의 특징을 추출하는 것이 특히 도전적입니다. 이로 인해 드문 객체 클래스에 대해 세분화 성능이 저하됩니다. 이를 해결하기 위해, 우리는 포인트 클라우드 데이터에서 객체 중심의 특징을 효과적으로 모델링하기 위한 최초의 슬롯 주의 변환기 기반 기법을 소개합니다. 우리의 방법은 복셀화를 위해 공간의 원통형 분할을 사용하고, 슬롯 주의를 사용하여 포인트 클라우드를 반복적으로 인코딩하기 전에 채널별 위치 인코딩을 계산합니다. 우리의 두 번째 주요 기여는 150km 거리를 주행하며 밀집된 도시 환경에서 수집된 대규모 야외 포인트 클라우드 데이터셋(SWAN)입니다. 이는 20만 프레임 이상에서 160억 개의 점을 제공합니다. 이 데이터셋은 24개 클래스에 대해 10,000개 프레임에 대한 주석도 제공합니다. 우리는 또한 실제 세계의 포인트 클라우드에서 드문 객체 클래스를 처리하기 위한 데이터 증강 기법을 기여합니다. 우리는 SWAN에서 기존의 인기 있는 방법을 처음으로 벤치마킹 했을 뿐만 아니라, 기존의 대규모 데이터셋인 Semantic KITTI와 nuScenes에서 우리의 기술을 철저히 평가합니다. 우리의 결과는 기술의 일관된 성능 향상을 보여주며, 보다 도전적인 SWAN 데이터셋의 필요성을 검증합니다.