3차원 구름 점 데이터를 위한 회전 불변 지역-전역 표현 학습

Abstract

본 논문은 3차원 구름 점을 이용하는 문제를 해결하기 위한 지역- 전역 표현 학습 알고리즘을 제안한다. 제안하는 알고리즘은 구름 점에 적용되는 다양한 기하 변환에 대하여 적절히 다룰 수 있도록 고안되었으며, 특히 다루기 까다로운 회전 변환에 대하여, 데이터 증진 없이 효과적으로 해결할 수 있도록 하였다. 우리 모델은 회전 변환에 강인 하면서 구름 점으로 표현된 3차원 물체에 대한 형태 정보를 기술할 수 있는 기술자를 다중 계층구조로부터 상향식으로 부호화 하였다. 이를 기반으로, 그래프 합성 곱 신경 망을 이용해 다중 계층의 기술자들을 통합한 표현으로부터 물체 인식을 효과적으로 수행하게 된다. 각 계층의 기술자는 3차원 구름 점들을 확률적으로 표집하여 신경 망 을 이용하여 얻는데, 이러한 확률적 학습법은 과 적합 문제를 효과적으로 해결하고, 다양한 입력 값에 대하여 강건한 표현을 얻어낼 수 있게 한다. 본 논문은, 3차원 물체 분류 벤치마크 모델인 모델넷40을 임의의 회전변환으로 증진시킨 데이터셋에서 분류기의 정확도를 측정한 결과, 본 알고리즘이 최고 수준의 성능을 보이고 있고, 종합적인 실험을 통해 그 특성을 분석하였다.

We propose a local-to-global representation learning algorithm for 3D point cloud data, which is appropriate to handle various geometric transformations, especially rotation, without explicit data augmentation with respect to the transformations. Our model takes advantage of multi-level abstraction based on graph convolutional neural networks, which constructs a descriptor hierarchy to encode rotation- invariant shape information of an input object in a bottom- up manner. The descriptors in each level are obtained from neural networks based on graphs via stochastic sampling of 3D points, which is effective to make the learned representations robust to the variation of the input data. The proposed algorithm presents the state-of-the-art performance on the rotation-augmented 3D object recognition benchmarks and we further analyze its characteristics through comprehensive ablative experiments.