TowerDataset: A Heterogeneous Benchmark for Transmission Corridor Segmentation with a Global-Local Fusion Framework

1. 연구 배경 및 문제 정의 (Problem)

전송로 (Transmission Corridor) 의 포인트 클라우드에 대한 세밀한 의미론적 분할 (Semantic Segmentation) 은 지능형 전력선 점검에 필수적입니다. 그러나 기존 연구와 데이터셋에는 다음과 같은 한계가 존재합니다.

• 데이터의 부재 및 단순화: 기존 공개 데이터셋 (ECLAIR, TS40K 등) 은 대개 coarse-grained(대략적인) 카테고리만 제공하거나, 긴 전송로를 짧은 조각 (50~100m) 으로 잘라내어 제공합니다. 이로 인해 장거리 구조적 의존성 (Long-range dependencies) 과 긴 꼬리 분포 (Long-tail distribution, 드물지만 중요한 구성 요소) 를 반영하지 못합니다.
• 모델링의 한계:
  • 로컬 처리만 의존: 메모리 제어를 위해 구형 크롭 (SphereCrop) 등을 사용하면 긴 전선이나 구조물의 연속성이 끊어지고 전역적 문맥이 손실됩니다.
  • 글로벌 처리만 의존: 전체 장면을 처리하면 희소한 작은 구성 요소 (예: 절연체, 피팅) 의 미세한 기하학적 세부 사항이 누락될 수 있습니다.
• 실제 환경의 복잡성: 전송로는 긴 공간적 범위, 얇은 선형 구조, 복잡한 자연 배경, 그리고 심각한 클래스 불균형 (배경이 94% 이상 차지) 을 가지며, 기능은 다르지만 국소적으로 유사한 구성 요소들을 구별하기 어렵습니다.

2. 주요 기여 (Key Contributions)

이 논문은 데이터와 모델 두 측면에서 다음과 같은 기여를 합니다.

A. TowerDataset (새로운 벤치마크)

• 규모: 661 개의 실제 전송로 장면, 약 24.66 억 개의 포인트로 구성된 대규모 데이터셋입니다.
• 세밀한 레이블: 전력선 인프라와 주변 환경을 포함하는 22 개의 세밀한 클래스로 정의되었습니다.
• 특징:
  • 실제 전송로의 긴 연속성을 유지 (평균 길이 355.8m, 최대 992.1m).
  • 극심한 클래스 불균형 (드문 안전 관련 구성 요소가 전체 포인트의 0.16% 미만) 을 포함하여 실제 점검 환경의 난이도를 반영합니다.
  • 표준화된 학습/검증/테스트 분할 및 평가 프로토콜을 제공합니다.

B. Global-Local Fusion Framework (새로운 아키텍처)

전체 장면의 구조적 연속성과 국소적 기하학적 세부 사항을 동시에 보존하기 위한 프레임워크를 제안합니다.

1. NoCrop 전역 컨텍스트 브랜치 (Global-Context Branch):
   • 구형 크롭 대신 격자 기반 다운샘플링 (Grid-based Downsampling) 을 사용하여 전체 장면을 처리합니다.
   • 학습 가능한 프로토타입 대비 학습 (Learnable Prototypical Contrastive Learning) 을 도입하여 기하학적으로 유사하지만 역할이 다른 드문 클래스 (희소 클래스) 의 판별력을 향상시킵니다.
2. 국소 세부 사항 브랜치 (Local-Detail Branch):
   • 기존 방식인 SphereCrop을 사용하여 얇은 전선과 작은 부착 부품의 미세한 기하학적 구조를 포착합니다.
3. 이중 브랜치 퓨전 (Dual Branch Fusion):
   • 두 브랜치의 예측 확률을 가중 평균하여 통합합니다.
4. 기하학적 검증 모듈 (Geometric Verification Module):
   • DBSCAN 을 이용한 인스턴스 클러스터링과 물리적 제약 조건 (예: 절연체의 방향 비율) 을 적용하여 비현실적인 예측을 수정하고 재레이블링합니다.

3. 방법론 (Methodology)

• 입력 및 전처리: 원시 포인트 클라우드를 입력받습니다. 전역 브랜치는 $s=0.25m$ 격자 크기로 다운샘플링된 전체 장면을 처리하고, 국소 브랜치는 $K=120,000$ 포인트의 로컬 크롭을 처리합니다.
• 백본 (Backbone): 두 브랜치 모두 대규모 3D 이해를 위해 Point Transformer V3 (PTv3) 를 사용합니다.
• 손실 함수 (Loss Function):
  • 전역 브랜치는 교차 엔트로피 (CE), Lovasz-Softmax, 그리고 가중치 부여된 프로토타입 대비 손실 (Weighted Prototypical Contrastive Loss) 을 결합합니다. 드문 클래스 (안전 관련 부품) 에 대해 가중치 ($w_y=5.0$) 를 부여하여 불균형을 해결합니다.
• 퓨전 및 검증:
  • $p_{fused} = \alpha p_{local} + (1-\alpha) p_{global}$ 식으로 확률을 융합합니다.
  • 융합된 예측 결과에 대해 DBSCAN 클러스터링을 수행하고, 클래스별 기하학적 규칙 (예: 장력 절연체는 수직 비율이 작아야 함) 을 검증하여 점수 ($Score < 0.4$) 가 낮은 경우 다른 클래스로 재할당합니다.

4. 실험 결과 (Results)

실험은 제안된 TowerDataset, 그리고 기존 벤치마크인 ECLAIR과 Toronto-3D에서 수행되었습니다.

• ECLAIR 데이터셋:
  • 제안된 모델은 mIoU 0.7874를 기록하여 기존 최상위 모델 (PTv3, 0.7207) 보다 6.67%p 향상되었습니다.
  • 특히 전선 (Distribution Wires) 과 폴 (Pole) 분류 성능이 크게 개선되었습니다.
• Toronto-3D 데이터셋 (도메인 적응성):
  • 공중 스캔에서 모바일 LiDAR 로의 도메인 변화에도 mIoU 0.7371로 PTv3(0.7086) 보다 우위를 보였습니다.
  • 울타리, 차량, 유틸리티 라인 등 희소하고 어려운 클래스에서 성능 향상이 두드러졌습니다.
• TowerDataset (주요 벤치마크):
  • 22 클래스 mIoU 0.4369를 기록하여 모든 비교 모델 (SpUNet, MinkUNet34C, PTv3 등) 보다 가장 높은 성능을 보였습니다.
  • 기존 모델들은 스페이서 (Spacer) 나 광케이블 (Opt. Cab.) 에서 0 의 IoU 를 기록했으나, 제안된 방법은 이러한 드문 클래스에서도 유의미한 성능을 달성했습니다.
  • Ablation Study: NoCrop 전략, 프로토타입 대비 학습, 퓨전, 기하학적 검증 모듈이 모두 최종 성능 향상에 기여함을 확인했습니다. 특히 NoCrop 은 장거리 구조를 보존하지만 국소적 세부 사항을 약화시키고, 퓨전과 검증 모듈이 이를 보완하여 균형을 맞춥니다.

5. 의의 및 결론 (Significance)

• 실용적 가치: 전력선 점검 분야에서 실제로 필요한 세밀한 구성 요소 (절연체, 전선, 피팅 등) 를 정확히 식별할 수 있는 최초의 대규모 고해상도 벤치마크를 제시했습니다.
• 기술적 혁신: 장거리 구조적 연속성과 미세한 기하학적 세부 사항을 동시에 처리하기 위한 글로벌 - 로컬 퓨전 프레임워크를 제안하여, 기존 블록 단위 분할의 한계를 극복했습니다.
• 장기적 영향: 극심한 클래스 불균형과 긴 꼬리 분포를 가진 산업용 3D 포인트 클라우드 분할 문제를 해결하는 새로운 패러다임을 제시하며, 향후 지능형 인프라 유지보수 시스템의 핵심 기술로 자리 잡을 것으로 기대됩니다.

이 논문은 데이터의 질적 향상과 모델 아키텍처의 혁신을 통해 전력 인프라의 자동화된 정밀 점검을 위한 강력한 기반을 마련했다는 점에서 의의가 큽니다.