인간 도메인 지식을 활용한 3D LiDAR 의미분할

본 논문은 3차원 라이다(LiDAR) 데이터를 이용한 의미분할 작업에서 라벨링 비용을 최소화하고 학습 효율성을 높이기 위한 새로운 프레임워크를 제안한다. 기존의 딥러닝 기반 방법은 대량의 정밀 라벨이 필요하지만, 전통적인 규칙 기반 방법은 해석 가능하고 인간 도메인 지식을 직접 반영한다는 장점이 있다. 저자들은 이 두 접근법의 장점을 결합하고, 각각의 단점을 보완하는 두 단계 학습 파이프라인을 설계하였다. 1. **문제 정의 및 데이터 전처리** - 원시 3D 포인트 클라우드를 극좌표계(range image)로 변환하고, 지역 성장(region‑growing) 기반 오버세그멘테이션을 통해 세그먼트 s_i를 추출한다. - 각 세그먼트는 하나의 물리적 객체를 대표한다고 가정하고, 세그먼트 중심을 기준으로 주변 포인트를 3채널(거리, 높이, 강도) 데이터 샘플 x_i로 구성한다. 2. **규칙 기반 클래스파이어 설계** - 인간이 직관적으로 이해할 수 있는 두 가지 특징, 즉 세그먼트의 높이(z_i)와 폭(w_i)를 계산한다. - 규칙은 간단히 “높이 > 2 m & 폭 ∈