기존의 점군 기반 장소 인식 방법들은 주로 단일 점 또는 국소 영역의 특징 표현에 의존하며, 국부 이웃 내 관계 정보 모델링이 부족하여 판별력이 높은 관계 패턴 학습이 어려워 기하학적 구조가 유사한 장면에서 인식 성능이 제한적이다. 이러한 문제를 해결하기 위해 본 논문에서는 관계 인식 기반 대규모 점군 장소 인식 네트워크 RA-Net을 제안하며, 지역 관계 특징과 전체 전역 문맥 정보를 협력적으로 모델링하여 높은 판별성의 장면 표현을 학습한다. 우선 공간 관계 특징 추출(SRFE) 모듈을 설계하여 관계 인식 가중치를 학습하고 인접 특징을 적응적으로 집계함으로써 특징 차이와 공간 편차를 종합적으로 고려하여 국부 이웃의 관계 패턴을 효과적으로 탐색하고 국부 특징의 판별력을 향상시킨다. 다음으로 전역 특징 추출(GFE) 모듈을 도입하여 전역 정보와 점 단위 특징을 융합하여 전역 문맥 정보를 충분히 활용함으로써 장면 표현 능력을 더욱 향상시킨다. 실험 결과 RA-Net은 더 판별력 있는 전역 디스크립터를 생성할 수 있어 4개의 공개 벤치마크 데이터셋에서 기존 방법보다 우수한 장소 인식 성능을 보였으며, 보지 못한 장면에서도 우수한 일반화 능력을 나타낸다.

관계 인식; 점군; 장소 인식; 딥러닝