대규모 LiDAR 포인트 클라우드의 의미론적 분할은 자율 시스템 및 로봇 인지에서 3차원 장면 이해를 위한 핵심적인 역할을 한다. 기존 접근법들은 주로 국소적인 기하학적 단서와 이웃 기반 표현에 의존해 왔으나, 이러한 방법들은 의미 클래스의 전역적인 정보를 처리하는데 한계가 있다. 실제 환경에서 도로, 건물, 식생과 같은 객체 범주는 본질적으로 위상적 특성을 지닌 고유한 연결성 패턴과 구조적 배치를 보인다. 본 연구에서는 3차원 포인트 클라우드 내 의미 영역의 구조적 속성을 명시적으로 모델링하기 위해 위상적 데이터 분석(Topological Data Analysis, TDA)에 기반한 위상 인지(Feature Extraction) 파이프라인을 제안한다. 먼저 의미 예측 결과로부터 클래스별 포인트 부분집합을 추출하고, 이들의 연결성 패턴을 분석하기 위해 다중 스케일 여과(Filtration)를 구성한다. 이후 지속적 호몰로지(Persistent Homology)를 적용하여 연결 성분 및 루프 구조와 같은 위상적 특징을 추출하고, 이를 지속 다이어그램(Persistence Diagram)으로 요약한다. 학습 기반 프레임워크와의 통합을 위해, 지속 다이어그램은 학습 가능한 PersLay 계층을 통해 고정 길이의 특징 벡터로 변환된다. 공개 LiDAR 벤치마크 데이터셋에 대한 실험결과, 서로 다른 의미 클래스가 구별되는 위상적 서명을 나타냄을 확인하였으며, 위상 인지 특징을 통합함으로써 3차원 의미론적 분할 모델의 판별 성능이 향상됨을 입증하였다. 이러한 결과는 위상적 표현이 기존의 기하학적 특징을 보완하는 유용한 단서로 작용하여 3차원 의미 분할 성능을 개선할 수 있음을 시사한다.
Le et al. (Thu,) studied this question.