FG-Net：大規模LiDARポイントクラウド理解のための高速かつ正確なフレームワーク

本研究は、ボクセル化なしで大規模ポイントクラウド理解のための一般的な深層学習フレームワークであるFG-Netを提案しています。このフレームワークは、単一のNVIDIA GTX 1080 8G GPUとi7 CPUで正確でリアルタイムの性能を達成します。まず、新しいノイズおよび外れ値フィルタリング手法が設計され、後続の高レベルな理解タスクを促進します。効果的な理解を目的として、相関特徴マイニングと変形畳み込みに基づく幾何学的モデル化を含む新しいプラグアンドプレイモジュールを提案します。このモジュールでは、局所的な特徴関係とポイントクラウドの幾何学的構造を完全に抽出し活用できます。効率性の問題に対して、新しい複合逆密度サンプリング（IDS）に基づく学習操作と、計算コストとメモリ消費をそれぞれ節約するための特徴ピラミッドに基づく残差学習戦略を提案します。限定されたデータセットでのみ検証されている現在の手法と比較して、我々は8つの実世界の課題ベンチマークで広範な実験を行い、我々のアプローチが精度、速度、メモリ効率の面で最先端（SOTA）アプローチを上回ることを示しました。さらに、弱い監視による転移学習も行い、我々の手法の一般化能力を示します。