nbrightandClaude Opus 5
e529c449b5
Six papers converted to Markdown with the local doc2md tool, figures extracted and annotated. The tool's venv had a CPU-only torch, so marker-pdf silently ran on CPU and stalled; swapping in 2.5.1+cu121 dropped a paper from "hung after six minutes" to three. Gemini then described all 86 figures in place, below each original caption. The PDFs themselves are gitignored - 88 MB of public arXiv downloads that convert_papers.sh regenerates. The .md and figures are tracked, because the annotations took a separate pass and do not reproduce byte-for-byte. sum-parts-explained.html gains two tabs: - PointVector. Why representing a scalar feature as a rotated 3D vector buys anisotropic aggregation without attention's cost, and why the paper predicts two independent angles rather than a rotation matrix whose nine elements are interdependent. - Bare Earth. Reframes the task as ground vs not-ground, and separates the five boundaries by their nature. Four of them are cuts; the slope boundary is the one that must NOT be cut, which is why "horizontal means ground" destroys road cut and fill. Notes that SUM Parts is flat Helsinki and cannot teach slopes at all, so that part needs a geometric filter rather than more training. NEXT.md carries the goal forward: separate bare earth from the rest as OBJ meshes, then reclassify the remainder. Removing the ground first is sound - it is 24-40% of the points, and without it the remaining objects fall apart into separate connected components instead of being joined through the floor. The gap that blocks step 4 is named: mesh_to_ply.py samples points without recording which face each came from, so there is no way back to the mesh yet. Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
5.5 KiB
5.5 KiB
논문 마크다운 파일 이미지 Vision 분석 기반 해설 주석 작업 완료 보고서
6개 논문 마크다운 파일에 포함된 총 86개 이미지에 대해 Vision 모델을 활용한 시각 정보 분석을 수행하고, ANNOTATE_PROMPT.md 가이드라인에 맞춘 한국어 상세 해설(> **[그림 해설]** ...) 주석 삽입을 100% 완료하였습니다.
1. 파일별 작업 현황 및 검증 결과
| 논문 파일명 | 이미지 수 | 삽입된 주석 수 | 검증 상태 |
|---|---|---|---|
| PointNet_1612.00593.md | 24 | 24 | 완료 (100%) |
| PointNet++_1706.02413.md | 10 | 10 | 완료 (100%) |
| PointNeXt_2206.04670.md | 5 | 5 | 완료 (100%) |
| PointVector_2205.10528.md | 8 | 8 | 완료 (100%) |
| SUM_2021_dataset.md | 14 | 14 | 완료 (100%) |
| SUM-Parts_2503.15300.md | 25 | 25 | 완료 (100%) |
| 합계 (Total) | 86 | 86 | 100% 일치 |
2. 주요 주석 작성 내용 요약
1) PointNet (PointNet_1612.00593.md, 24개)
- 아키텍처/데이터 흐름:
N \times 3입력 포인트\toT-Net(3x3 정렬)\to$64$-dim MLP\toFeature Transform(64x64 정렬)\to$1024$-dim MLP\toMax Pooling 전역 특징\toClassification Head ($k$개 클래스 점수) 및 Segmentation Head (N \times m점별 레이블 점수) 연결 구조 상세 서술. - 정량 그래프 및 표: 포인트 누락(Point Drop) 강건성, 가우시안 노이즈/아웃라이어 저항성, 시간 및 공간 복잡도(FLOPs/파라미터 수) 차트 수치 복원.
- 정성 시각화: Semantic3D, ShapeNet Part 세그멘테이션 결과 및 Critical Points(핵심 골격점) / Upper Bound Shapes(상한 바운딩 형상) 시각화 분석.
2) PointNet++ (PointNet++_1706.02413.md, 10개)
- 핵심 모듈: Set Abstraction 계층(Sampling
\toGrouping\toPointNet), MSG(Multi-scale grouping) 및 MRG(Multi-resolution grouping) 밀도 적응형 아키텍처. - 업샘플링 & 디코더: Feature Propagation(거리 역가중치 $k$-NN 보간 + Skip connection 결합 + Unit PointNet).
- 실험 및 정성 비교: ScanNet 실내 씬 3D 시맨틱 세그멘테이션, 비유클리드 SHREC 다양체 메시(포즈 변형 말/사람 모델) 등 시각적 비교 분석.
3) PointNeXt (PointNeXt_2206.04670.md, 5개)
- 현대화 아키텍처: PointNet++ 기반 모델 스케일링, 인버티드 잔차 MLP 블록(InvResMLP, Inverted Residual with Depthwise/Pointwise Separable MLP), 대칭적 U-Net 인코더-디코더 계층 구조.
- 정성 결과: S3DIS 6-fold 교차검증 실내 씬(Area 5 등) 및 ShapeNetPart 16개 카테고리 3D 객체 파트 분할 결과 시각 분석.
4) PointVector (PointVector_2205.10528.md, 8개)
- 이방성(Anisotropy) 벡터 표현: 스칼라 특징에 회전각(
\alpha, \beta)을 부여하여c \times 3차원의 3D 공간 벡터로 확장하는 VPSA(Vector-oriented Point Set Abstraction) 모듈 및 2단계 3차원 회전 기하(Rot_z Rot_x) 흐름 상세 설명. - 구조 및 씬 비교: PointVector 분류/세그멘테이션 U-Net 구조 및 S3DIS 실내 시맨틱 분할에서 PointNeXt 대비 돌출 기둥/복도 빔/출입구 코너 오분류 개선 정성 분석.
5) SUM 2021 Dataset (SUM_2021_dataset.md, 14개)
- 헬싱키
4\,\text{km}^23D 도시 텍스처 메시: 6개 클래스(Terrain, Building, Water, High vegetation, Vehicle, Boat) 시맨틱 벤치마크. - 반자동 주석 파이프라인: 과분할(Over-segmentation)
\toRandom Forest 초기 분류\to전용 3D GUI 도구(UrbanMeshAnnotator)에서의 라쏘/스트로크/평면 추출 기반 정제 워크플로우. - 포인트 샘플링 및 데이터 분석: 몬테카를로/포아송 디스크 샘플링(
10\,\text{pts}/\text{m}^2) 및 훈련 데이터량(10% 영역만으로 66% mIoU 달성) 민감도 분석.
6) SUM-Parts (SUM-Parts_2503.15300.md, 25개)
- 부품 레벨(Part-level) 시맨틱 메시: 13개 클래스 페이스 트랙 및 19/21개 클래스 텍스처(픽셀) 트랙(창문, 출입문, 굴뚝, 차선 마킹, 보도, 잔디밭 등) 정밀 분할.
- 대화형 주석 알고리즘: 메시 내부 수축 구(Interior shrinking ball) 반경 계산, 3D/2D 구조 인식 템플릿 일괄 매칭, 슈퍼픽셀 국소 확장 및 GrabCut 그래프 컷 정밀화.
- 정량 및 정성 비교: 11개 3D 딥러닝 모델(PointVector, PointTransV3, PointNext, KPConv 등)의 페이스/픽셀 트랙 비교 및 오류 맵(빨간색 표시) 정밀 분석.
3. 원본 문서 무결성 준수
- 원본 캡션 텍스트, 본문 수식/인용 링크, 마크다운 앵커 태그(
<span id="...">)를 단 하나도 손상시키지 않고 오직 캡션 직하단에> **[그림 해설]**인용 블록만을 정확히 삽입하였습니다. - LLM이 마크다운 파일 전체를 읽을 때 텍스트와 이미지 시각 정보를 온전히 학습할 수 있도록 모든 수치, 텐서 차원, 모델 명칭, 색상 범례를 구체적으로 수록하였습니다.