입력된 포인트 클라우드(point cloud)를 구성하는 복수의 포인트들에 기초하여 어텐션 값(attention value)를 산출하는 인코더; 및상기 어텐션 값에 기초하여 상기 포인트 클라우드를 구성하는 상기 복수의 포인트들의 드롭아웃(dropout)을 수행하는 디코더를 포함하되,상기 인코더는,상기 복수의 포인트들의 유사성에 기초하여 어텐션 스코어(attention score)를 산출하고, 상기 어텐션 스코어에 활성화 함수를 적용한 어텐션 스코어 맵을 생성하는 어텐션 스코어 연산부; 및상기 복수의 포인트들에 기초하여 밸류(vaue) 벡터를 생성하고, 상기 밸류 벡터와 상기 어텐션 스코어 맵에 멀티 헤드 어텐션(multi-head attention)을 수행하여 상기 어텐션 값을 산출하는 벡터 어텐션 연산부를 포함하는, 포인트 샘플링 장치.

제1항에 있어서,상기 벡터 어텐션 연산부는,트랜스포머 레이어(Transformer Layer)를 이용하여 상기 복수의 포인트들의 상기 밸류 벡터를 생성하는 트랜스포머 레이어부; 및상기 어텐션 스코어 맵 및 상기 밸류 벡터에 기초하여 상기 멀티 헤드 어텐션을 수행함으로써, 상기 어텐션 값을 산출하는 멀티 헤드 어텐션부를 포함하는, 포인트 샘플링 장치.

제2항에 있어서,상기 어텐션 스코어 연산부는,각각 상기 복수의 포인트들의 적어도 일부로 구성된 복수의 포인트 셋들을 결정하고, 상기 복수의 포인트 셋들 각각에 대하여 상기 어텐션 스코어를 산출하고, 상기 어텐션 스코어에 활성화 함수를 적용한 상기 어텐션 스코어 맵을 생성하는, 포인트 샘플링 장치.

제3항에 있어서,상기 어텐션 스코어 연산부는, 상기 복수의 포인트들에 서로 다른 비율로 FPS(Farthest Point Sampling) 알고리즘을 적용하여 상기 복수의 포인트 셋들을 결정하는, 포인트 샘플링 장치.

제4항에 있어서,상기 어텐션 스코어 연산부는, 상기 복수의 포인트 셋들에 포함된 각각의 포인트에 K-NN(K-Nearest Neighbor) 알고리즘을 적용하여 상기 포인트 셋들을 확장하고, 상기 확장된 포인트 셋들 각각에 대하여 상기 어텐션 스코어를 산출하는, 포인트 샘플링 장치.

제5항에 있어서,상기 어텐션 스코어 연산부는,상기 복수의 포인트 셋들 각각에 대하여 쿼리(Query) 벡터 및 키(Key) 벡터를 결정하고, 상기 쿼리 벡터와 상기 키 벡터의 유사성에 기초하여 상기 어텐션 스코어를 산출하는, 포인트 샘플링 장치.

제6항에 있어서,상기 어텐션 스코어 연산부는,상기 쿼리 벡터와 상기 키 벡터의 뺄셈 연산을 수행한 결과에 기초하여 상기 어텐션 스코어를 산출하는, 포인트 샘플링 장치.

제7항에 있어서,상기 어텐션 스코어 연산부는,상기 복수의 포인트 셋들의 상기 어텐션 스코어를 모두 결합하여 상기 어텐션 맵을 생성하는, 포인트 샘플링 장치.

제2항에 있어서,상기 디코더는,상기 어텐션 값에 풀링(pooling) 연산을 수행하고, 상기 풀링 연산의 결과를 신경망에 입력하고, 상기 신경망의 출력을 드롭아웃하는, 포인트 샘플링 장치.

제9항에 있어서,상기 인코더는,샘플링 손실(Sampling Loss) 및 과제 손실(task Loss)에 대한 가중치의 합계인 전체 손실에 기초하여 상기 트랜스포머 레이어를 보정하되, 상기 샘플링 손실은 평균 근접 이웃 손실(nearest neighbor loss)과 최대 근접 이웃 손실의 합계인, 포인트 샘플링 장치.

공간에 위치한 3차원 객체에 대한 포인트 클라우드를 수집하는 객체 수집부;상기 포인트 클라우드를 구성하는 복수의 포인트들을 샘플링하여 타겟 포인트들을 결정하는 포인트 샘플링부; 및상기 타겟 포인트들에 기초하여 상기 3차원 객체를 분류하는 객체 분류부를 포함하고, 상기 포인트 샘플링부는,상기 복수의 포인트들 중 적어도 일부로 구성된 복수의 포인트 셋들에 기초하여 어텐션 스코어 맵을 생성하고, 상기 어텐션 스코어와 상기 복수의 포인트들로부터 생성된 밸류(vaue) 벡터에 멀티 헤드 어텐션을 수행하여 어텐션 스코어를 산출하는 인코더; 및상기 어텐션 스코어에 기초하여 상기 타겟 포인트들을 결정하는 디코더를 포함하는, 머신 러닝 장치.

제11항에 있어서,상기 인코더는,상기 복수의 포인트들의 유사성에 기초하여 어텐션 스코어(를 산출하고, 상기 어텐션 스코어에 활성화 함수를 적용한 어텐션 스코어 맵을 생성하는 어텐션 스코어 연산부; 및상기 복수의 포인트들에 기초하여 밸류 벡터를 생성하고, 상기 밸류 벡터와 상기 어텐션 스코어 맵에 멀티 헤드 어텐션을 수행하여 상기 어텐션 값을 산출하는 벡터 어텐션 연산부를 포함하는, 머신 러닝 장치.

제12항에 있어서,상기 벡터 어텐션 연산부는,트랜스포머 레이어를 이용하여 상기 복수의 포인트들의 상기 밸류 벡터를 생성하는 트랜스포머 레이어부; 및상기 어텐션 스코어 맵 및 상기 밸류 벡터에 기초하여 상기 멀티 헤드 어텐션을 수행함으로써, 상기 어텐션 값을 산출하는 멀티 헤드 어텐션부를 포함하는, 머신 러닝 장치.

제13항에 있어서,상기 어텐션 스코어 연산부는,각각 상기 복수의 포인트들의 적어도 일부로 구성된 복수의 포인트 셋들을 결정하고, 상기 복수의 포인트 셋들 각각에 대하여 상기 어텐션 스코어를 산출하고, 상기 어텐션 스코어에 활성화 함수를 적용한 상기 어텐션 스코어 맵을 생성하는, 머신 러닝 장치.

제14항에 있어서,상기 디코더는,상기 어텐션 값에 풀링(pooling) 연산을 수행하고, 상기 풀링 연산의 결과를 신경망에 입력하고, 상기 신경망의 출력을 드롭아웃하는, 머신 러닝 장치.

입력된 포인트 클라우드의 복수의 포인트들의 포인트 셋을 설정하는 단계;추출된 상기 복수의 포인트들의 유사성에 기초하여 어텐션 스코어를 산출하는 단계;산출된 상기 어텐션 스코어에 기초하여 어텐션 스코어 맵을 생성하는 단계;상기 어텐션 스코어 맵에 멀티 헤드 어텐션을 수행하여 어텐션 값을 산출하는 단계; 및상기 어텐션 값에 기초하여 상기 포인트 클라우드를 구성하는 상기 복수의 포인트들의 드롭아웃을 수행하는 단계를 포함하는, 포인트 샘플링 방법.

제16항에 있어서,상기 어텐션 스코어를 산출하는 단계는, 상기 복수의 포인트 셋들에 포함된 각각의 포인트에 K-NN(K-Nearest Neighbor) 알고리즘을 적용하여 상기 포인트 셋들을 확장하고, 상기 확장된 포인트 셋들 각각에 대하여 상기 어텐션 스코어를 산출하는, 포인트 샘플링 방법.

제17항에 있어서,상기 어텐션 스코어를 산출하는 단계는,쿼리 벡터와 키 벡터의 뺄셈 연산을 수행한 결과에 기초하여 상기 어텐션 스코어를 산출하는, 포인트 샘플링 방법.

제18항에 있어서,상기 어텐션 스코어 맵을 생성하는 단계는,상기 복수의 포인트 셋들의 상기 어텐션 스코어를 모두 결합하여 상기 어텐션 맵을 생성하는, 포인트 샘플링 방법.

제19항에 있어서,상기 드롭아웃을 수행하는 단계는,상기 어텐션 값에 풀링(pooling) 연산을 수행하고, 상기 풀링 연산의 결과를 신경망에 입력하고, 상기 신경망의 출력을 드롭아웃하는, 포인트 샘플링 방법.