도시 건물 분석을 위한 적응형 영역 분할 및 세분화 분류 모델
Instance Segmentation and Fine-grained Classification for Urban Buildings with Adaptive Region Dividing and Spatially-Supervised Contrastive Learning
arXiv대규모 포인트 클라우드 기반 도시 건물 분석을 위해, 인스턴스 분할과 세분화 분류를 결합한 새로운 모델이 제안되었습니다.
- 기존의 고정된 구획 의존성을 벗어나 BEV 평면 기반으로 건물 경계에 맞춘 동적 영역 분할을 수행하며, 공간 대비 학습(Contrastive Learning) 기법을 적용했습니다.
- 이 방식은 실제 환경에서 건물 구조를 온전히 파악하여, 기존 방법의 한계를 극복하고 정확한 디지털 도시 모델 구축에 크게 기여합니다.
- 본 연구는 인스턴스 분할과 세분화 분류를 결합하여 UrbanBIS 및 STPLS3D 등 주요 데이터셋에서 최신 성능(SOTA)을 입증했습니다.
기존의 도시 건물 분석 방법들은 대규모 포인트 클라우드 환경에서 사전에 정의된 블록에 의존하여 학습하고 평가하는 경향이 있어, 실제 환경에서는 구조가 파편화되는 한계가 있었습니다. 이를 해결하기 위해 본 연구는 적응형 영역 분할 전략을 제안합니다. 3D 포인트 클라우드를 BEV(bird's-eye-view) 평면에 투영한 후 사전 학습된 분할 모델로 건물 영역을 탐지하고, 이 경계 상자들을 원본 포인트 클라우드에 역투영하여 수동 설계 없이 구조에 맞춰 적응적인 학습 블록을 구성합니다.
인스턴스 수준의 이해를 넘어 도시 건물에 대한 세분화 분류(fine-grained classification) 모델도 함께 제시되었습니다. 이 모델은 기하학적, 색상 및 핵심 컨텍스트 정보를 활용하여 건물의 본체와 국소 컨텍스트를 공동으로 인코딩합니다. 특히 공간적으로 근접한 같은 카테고리 건물에 더 큰 를 부여하는 공간 지도 학습 대비 손실(spatially-supervised contrastive loss)을 적용함으로써, 클래스 간 구별 능력을 높이고 기능적 표현을 강화했습니다.
제안된 방법론은 UrbanBIS 및 STPLS3D와 같은 주요 데이터셋에서 광범위하게 실험되었으며, 건물 인스턴스 분할과 세분화 분류 측면 모두에서 기존의 최신() 방법 대비 우수한 성능을 입증하며 디지털 도시 모델링에 기여함을 보여주었습니다.
용어 풀이
- 가중치
- 학습으로 정해진 모델 내부의 숫자 값. 내려받는 모델 파일의 본체예요.
- SOTA
- State of the Art의 줄임말. 해당 분야에서 현재 가장 좋은 성능을 뜻해요.