점을 정렬한 배열과 점의 집합은 다르다
M13.01에서 점군은 센서 프레임의 좌표와 속성을 가진 관측이었다. Backbone은 이 입력을 후속 분류·분할·검출이 사용할 특징(feature)으로 바꾸는 신경망 부분이다. 좌표를 특징이라고 부를 수도 있지만 여기서 학습 특징은 가중치로 변환된 벡터를 뜻한다. 정합은 두 관측의 좌표 관계를 추정하고, backbone은 과제에 필요한 표현을 만든다. 같은 입력을 사용해도 목적이 다르다. 점 번호는 물체의 의미가 아니므로 점 순서만 바뀐 입력에서 전역 판단이 달라지면 문제가 된다.
PointNet의 기본 발상은 각 점에 같은 함수를 적용하고 순서에 의존하지 않는 집계로 전체 특징을 만드는 것이다. 점마다 다른 가중치를 쓰는 것이 아니다. 최대값 집계는 각 채널의 최대를 독립적으로 고르므로 결과 벡터가 어느 한 점의 특징과 같을 필요가 없다. PointNet 전체 학습이나 변환 네트워크를 이 간단한 집계와 동일시하지 않는다.
공유 변환과 대칭 집계를 계산한다
자체 예제의 1 차원 좌표 x가 −1,0,2m이고, 길이 기준 1m로 나눈 무차원 u를 쓴다. 고정 함수 h(u)=(max(u,0),max(1−u,0))를 적용하자. 출력은 (0,2),(0,1),(2,0)이고 채널별 최대는 (2,2)다. 점 순서를 2,−1,0으로 바꿔도 결과는 같다. 이것이 순열 불변성이다. 각 점 출력의 순서가 입력에 맞춰 바뀌는 성질은 순열 등변성이다. 전체 분류에는 불변 출력이, 점별 분할에는 각 점과 대응되는 출력이 필요하다.
그림 M13.03-1. 각 칸은 서로 다른 역할/근거다. 나란히 비교할 항목이며 위아래가 시간 순서를 뜻하지 않는다. 직접 제작한 개념도이며 본문의 조건과 함께 읽는다.
전역 특징만으로 어느 점이 장애물인지 바로 알 수는 없다. 점별 특징에 전역/주변 문맥을 결합해 점별 head를 구성할 수 있다. Head는 특징을 실제 과제 출력으로 바꾸는 부분이다. 위 함수는 손 계산을 위한 고정 예제이며 학습된 물체 인식기가 아니다. 최대 집계가 입력 순서를 지운다고 회전·이동·밀도 변화까지 자동으로 해결한 것은 아니다. x에 10m를 더하면 같은 함수의 값이 달라진다.
공간 이웃과 정규 격자라는 두 선택
Point 방식은 실제 점 위치를 유지하며 이웃 검색과 국소 집계로 모양을 배울 수 있다. PointNet++는 국소 영역을 계층적으로 처리한다. 반경 이웃은 물리적 범위를 고정 하지만 점 수가 변하고, 고정 k 개 이웃은 개수가 일정해도 먼 거리 희소 구간에서는 넓은 공간을 포함한다. 이웃이 없는 경우의 마스크/채움 계약이 필요하다. 패딩 좌 표 0을 실제 센서 원 점의 점으로 오해하지 않는다.
Voxel은 공간을 3 차원 칸으로 나눈다. 자체 범위 x,y 각각 0~4m, z0~2m에서 칸 변 0.5m라면 8×8×4=256 칸이다. 변 0.25m는 16×16×8=2048 칸으로 8 배다. 실제 메모리는 채널·자료형·중간 활성 값·희소 저장 방식에도 달려 있다. 비어 있는 칸을 계산에서 건너뛰는 희소 연산도 모든 비용을 없애지는 않는다. 경계는 각 축에서 하한 포함/상한 제외로 정해야 칸 번호가 모호하지 않다.
Pillar는 수평 격자의 세로 기둥 안에서 점을 요약하고 2 차원 평면으로 처리하는 방식이다. 높이 관련 속성을 특징에 넣을 수 있으므로 높이를 무조건 버린다는 설명은 부정확하다. 다만 압축 방법에 따라 수직 구조의 구분이 어려울 수 있다. 어떤 표현이 항상 우월한지는 과제·범위·해상도·센서·계산 제한에 달려 있다.
높은 점 정확도보다 먼저 데이터 계약을 확인한다
학습/평가 분할은 같은 주행의 이웃 프레임이 양쪽에 섞이지 않도록 장면·시퀀스 기준으로 정한다. 학습 분할로 정규화 통계를 정하고 평가 정보를 사용해 통계를 맞추지 않는다. 단위·축·반사 강도 범위·유효점 마스크·점 수 제한·샘플링 정책·좌표 정규화가 추론에서도 같아야 한다. 모델 파일만 복사해서는 이 계약이 전달되지 않는다.
가까운 물체의 밀집 점으로만 학습한 모델이 먼 거리의 4점 물체를 놓칠 수 있다. 전체 점 정확도가 높아도 바닥이 대부분이면 작은 보행자의 실패가 가려진다. 거리/가림/클래스별 분모와 누락을 보고, 학습하지 않은 환경을 별도 평가한다. 다음 M13.04에서는 특징을 상자와 점별 의미로 바꾸고 과제별 지표를 계산한다.