LiDAR 시점에서 바라본 특징 강화와 불확실성 인식 주석 파이프라인

초록

본 논문은 TLS(지상 레이저 스캐닝) 포인트 클라우드의 의미론적 분할을 위해, 구면 투영 기반 2D 이미지로 변환하고 다중 특성을 결합한 피처 스택을 이용한다. 앙상블 세그멘테이션 모델로부터 얻은 의사 라벨과 불확실성 맵을 활용해 인간 annotator가 집중해야 할 영역을 자동으로 선정함으로써 라벨링 비용을 크게 절감한다. 이를 통해 Mangrove3D라는 맹그로브 숲 전용 TLS 데이터셋을 구축하고, 최소 12개의 스캔만으로 mIoU 0.76 수준의 성능 포화점을 확인하였다.

상세 분석

이 연구는 TLS 데이터의 고밀도·고차원 특성을 효율적으로 다루기 위해 세 가지 핵심 기술을 결합한다. 첫째, 3차원 포인트를 구면 좌표(방위각·고도)로 매핑해 2차원 equirectangular 이미지 형태로 변환한다. 이 과정에서 range, intensity, return‑count 등 기본 레이더값을 픽셀 채널로 저장하고, 추가적으로 법선, 곡률, 로컬 PCA 기반 거칠기, 고도 차이 등 9개의 기하학·방사형 특성을 스택한다. 두 번째는 UNet++, DeepLabV3+, SegFormer 등 서로 다른 구조의 세 모델을 앙상블해 픽셀‑단위 에피스테믹 불확실성을 추정한다. Monte‑Carlo dropout 대신 모델 간 예측 편차를 이용함으로써 계산 비용을 낮추면서도 신뢰도 높은 불확실성 지도를 얻는다. 세 번째는 이 불확실성 지도를 기반으로 액티브 러닝 루프를 설계한다. 불확실성이 높은 영역은 인간 annotator에게 표시되어 정밀 라벨링이 이루어지고, 불확실성이 낮은 영역은 모델의 의사 라벨(pseudo‑label)로 자동 채워진다. 이렇게 생성된 2D 라벨은 역투영(back‑projection) 과정을 거쳐 원본 3D 포인트에 다시 할당되며, 최종적으로 색상화된 포인트 클라우드와 가상 구(virtual sphere) 시각화 도구를 제공한다.

실험에서는 Mangrove3D 데이터셋(총 39개 스캔, 31.3 M 포인트)으로 학습·검증·테스트를 수행하였다. 데이터 효율성 분석 결과, 12개 스캔(≈30 % 전체)만 사용해도 mIoU가 0.76에 도달하고 이후 스캔을 추가해도 성능 향상이 미미함을 확인했다. 피처 중요도 분석에서는 기하학적 특성(법선, 곡률, 거칠기)이 가장 큰 기여를 했으며, 9채널 스택(기본 레이더값 + 8개의 파생 특성)이 거의 최적의 성능을 제공한다는 결론에 도달했다. 또한, 구축한 파이프라인을 ForestSemantic 및 Semantic3D와 같은 기존 벤치마크에 적용했을 때도 유사한 성능 향상을 보이며, 제안된 피처‑강화 전략이 도메인 간 일반화 가능함을 입증하였다.

이 논문의 주요 공헌은 (i) 불확실성을 활용한 인간‑인‑루프 주석 파이프라인과 시각화 툴킷, (ii) 맹그로브 숲 전용 TLS 데이터셋 Mangrove3D, (iii) 데이터 효율성 및 피처 선택에 관한 실증적 가이드라인이다. 특히, 라벨링 비용이 높은 TLS 분야에서 최소한의 수작업으로 고품질 라벨을 확보할 수 있는 실용적인 워크플로우를 제공한다는 점에서 학술·산업 양측에 큰 의미를 가진다.