Analysis of LiDAR Data Classification According to Training Data Configuration of Transformer Deep Learning Model

딥러닝이 추구하는 목표는 학습 효율과 예측에 대한 정확성 향상이며, 더 나아가 학습된 딥러닝 모델의 적용 범위를 넓혀서 일반성과 범용성을 확대하는 것이다. 이를 위해 최근에는 혁신적 개념의 트랜스포머 구조의 딥러닝 모델이 개발되고 있다. 본 논문에서는 트랜스포머 기반의 SPT (Superpoint Transformer) 모델을 여러 경우의 학습 데이터 구성과 학습 조건에 대해 대용량의 고밀도 항공 라이다 데이터인 DALES (Dayton Annotated Laser Earth Scan) 데이터 셋으로 학습을 수행하여 라이다 데이터의 의미적 분할을 수행하였다. 결과를 분석하여 SPT 모델의 학습 성능과 예측 결과의 정확도를 분석하였다. SPT 모델의 superpoint는 딥러닝의 학습 효율과 결과에 대한 신뢰성을 높이는 데 기여하기 위한 의미 있는 특성을 내포하고 있으며, 점군 데이터 분할을 위한 핵심적인 요소이다. 또한 선형성, 평면성, 산란성 및 수직과 같은 라이다 데이터에 내재된 고유의 특성 정보를 원래 라이다의 표고 데이터와 함께 학습에 사용함으로써 학습 성능을 향상시킬 수 있는 장점이 있다. 본 연구에서는 네개의 학습 조건을 구성하여 SPT 모델의 성능을 평가하였다. 실험 결과, 가장 우수한 조건에서는 97.61%의 정확도를, 가장 열악한 조건에서는 84.28%의 정확도를 기록하였다. 학습 데이터의 수량과 에포크를 극단적으로 줄인 경우에도 신뢰성 높은 타당한 분류 결과를 보여주었다.