기하학 학습 - 3D 객체 포인트 클라우드의 보완적 이해를 위한 분리 표현

2D 이미지 처리에서, 일부 시도는 이미지를 경계와 매끄러운 부분을 각각 설명하기 위해 고주파와 저주파 성분으로 분해합니다. 유사하게, 의자의 경계와 좌석 영역과 같은 3D 객체의 윤곽 및 평면 영역은 서로 다르지만 보완적인 기하학을 설명합니다. 하지만, 이러한 조사는 모든 점이나 지역 패치를 균등하게 처리하여 포인트 클라우드를 이해하는 이전의 심층 네트워크에서 찾을 수 없습니다. 이 문제를 해결하기 위해, 우리는 기하학 분리 주의 네트워크(GDANet)를 제안합니다. GDANet은 포인트 클라우드를 각각 윤곽과 평면 부분으로 동적으로 분리하는 기하학 분리 모듈을 도입합니다. 그런 다음 GDANet은 날카로운 및 부드러운 변Variation 성분의 특징을 두 개의 전체적인 표현으로 간주하고, 이를 원래 포인트 클라우드 특징과 각각 융합할 때 서로 다른 주의를 기울이는 Sharp-Gentle Complementary Attention Module을 활용합니다. 이러한 방식으로, 우리의 방법은 두 개의 뚜렷하게 분리된 성분에서 전체적이고 보완적인 3D 기하학적 의미를 포착하고 정제하여 지역 정보를 보완합니다. 3D 객체 분류 및 분할 벤치마크에 대한 광범위한 실험에서 GDANet은 더 적은 매개변수로 최첨단 성능을 달성합니다.