정확도 차이의 원인
새로운 모델의 성능이 좋아졌을 때 구조만 바뀐 것이 아닐 수 있다. 자료 증강과 최적화, 모델 크기가 함께 달라지면 원인을 분리하기 어렵다. PointNeXt는 기존 점군 모델을 개선된 학습 조건에서 다시 검토하는 데서 출발한다.
비교 실험의 예
모델 A의 학습 방식을 바꿔 정확도가 80에서 84로 높아지고 모델 B도 같은 방식에서 85라고 하자. 원래 A와 B의 차이 5를 모두 구조 개선으로 볼 수는 없다. 실제 실험 수치가 아닌 설명용 예이며 학습과 구조의 영향을 나눠야 하는 이유다.
모델을 확장하기
역잔차 병목 설계와 분리형 MLP를 도입해 더 큰 모델을 효율적으로 구성한다. 모델 폭과 깊이를 늘리는 선택은 계산과 표현력에 서로 다른 영향을 줄 수 있다. 매개변수가 많다고 모든 자료와 작업에서 더 좋은 결과를 보장하지 않는다.
작업별 평가
점군 전체의 물체 분류와 장면 의미 분할은 다른 평가다. 입력 점 수와 해상도, 학습 증강 및 반복 횟수를 맞춰 비교하고 장치별 실행 비용도 확인한다. 같은 자료에서의 높은 정확도를 새로운 센서 환경의 견고함과 동일하게 취급하지 않는다.
관련 문서
PointMLP / PointNet / DGCNN / KPConv / Point Transformer / 잔차 신경망