같은 자료 안의 점수 너머
학습한 영역과 같은 종류의 자료에서 좋은 점수를 얻는 것만으로 다른 환경의 성능을 설명하기는 어렵다. PatchMixer는 배운 지식을 다른 영역에 옮기는 능력을 구조 평가의 중요한 항목으로 본다.
전체 형상보다 국소 패치
MLP-Mixer의 아이디어를 점 구름으로 확장하면서 전체 형상 대신 국소 패치를 처리한다. 물체 일부만 보이는 부분 점 구름에 강건하도록 하는 방향이다. 입력의 가려짐이나 관측 범위가 평가에 영향을 줄 수 있다.
간단한 특징 집계
패치별 특징은 다층 퍼셉트론으로 모은다. 그래프 합성곱이나 주의 기법 대신 더 간단한 집계를 사용하는 구조다. 단순한 구성이라는 사실을 모든 과제에서 더 빠르거나 더 정확하다는 보장으로 받아들여서는 안 된다.
관측 범위의 독립 예
설명용으로 훈련에는 물체 전체가 있지만 실제 입력에는 뒤쪽 절반이 보이지 않을 수 있다. 국소 특징이 남아 있어도 전체 범주를 구별하는 단서가 충분한지 확인해야 한다. 실제 데이터셋 사례를 옮기지 않은 부분 관측과 일반화의 예다.
관련 문서
MLP-Mixer / PointNet / PointNet 플러스플러스 / PointMLP / PointNeXt / Point-CMAE