많은 딥러닝 점군 분류 방법들은 점군 특징 집계 모듈을 추가하여 점군 특징 표현력을 향상시키지만, 이러한 방법들은 종종 학습 파라미터 증가 및 모델 과적합 문제를 초래한다. 본 논문은 이러한 문제를 해결하기 위해 집단 예측 제약과 오답 예측 엔트로피 최대화를 통합한 딥러닝 방법을 모바일 레이저 스캐닝(MLS) 점군 분류에 제안한다. 이 방법은 집단 예측 제약 분기와 오답 예측 엔트로피 최대화 분기를 통해 학습 파라미터를 증가시키지 않고도 기준 네트워크의 점군 특징 표현력을 강화하고 모델의 일반화 능력을 향상시킨다. 집단 예측 제약 분기는 먼저 학습 과정에서 점군의 예측 값을 기록하여 집단 예측 값을 생성한 후, 일관성 제약을 통해 모델의 점군 특징 표현을 강화한다. 오답 예측 엔트로피 최대화 분기는 모델이 오답으로 예측된 점에 대해 엔트로피 값을 최대화하도록 장려하여 해당 점의 불확실성을 증가시키고 모델의 일반화 능력을 향상시킨다. 제안된 방법은 다수의 공개 MLS 점군 데이터셋에서 검증되었으며, 결과는 학습 파라미터를 증가시키지 않고도 기준 방법의 분류 성능을 향상시킬 수 있음을 보여준다. 비교 방법과 달리 제안된 방법은 Toronto3D, WHU-MLS, Paris 데이터셋에서 최적의 평균 교차비율(IoU) (83.68%, 65.85%, 44.19%)을 달성하여 방법의 유효성을 입증했다.

원격 탐사; MLS 점군 분류; 딥러닝; 집단 예측 제약; 오답 예측 엔트로피 최대화