커널 상관관계 및 그래프 풀링에 의한 포인트 클라우드 지역 구조 탐색

이미지와 달리, 심층 네트워크를 사용한 3D 포인트 클라우드의 의미적 학습은 자연적으로 정렬되지 않은 데이터 구조로 인해 어려움이 있습니다. 기존 연구 중 PointNet은 포인트 집합에 직접 학습하여 유망한 결과를 얻었습니다. 그러나 이는 세밀한 구조 정보를 포함한 포인트의 지역 이웃을 충분히 활용하지 못해, 더 나은 의미적 학습에 도움이 됩니다. 이와 관련하여, 우리는 지역 구조의 보다 효율적인 활용을 통해 PointNet을 개선하는 두 가지 새로운 연산을 제시합니다. 첫 번째는 지역 3D 기하 구조에 초점을 맞춥니다. 이미지를 위한 합성곱 커널에 비유하여, 우리는 기하적 유사성에 따라 이웃 데이터 포인트 집합에 공동으로 반응하는 학습 가능한 3D 포인트의 집합인 포인트 집합 커널을 정의합니다. 이는 포인트 클라우드 등록을 위한 유사한 기술에서 적응되었습니다. 두 번째는 3D 위치에서 계산된 최근접 이웃 그래프에 대한 재귀적 특징 집합을 통해 지역 고차원 특징 구조를 활용합니다. 실험 결과, 우리의 네트워크는 지역 정보를 효율적으로 포착하고 주요 데이터셋에서 더 나은 성능을 안정적으로 달성할 수 있음을 보여줍니다. 우리의 코드는 http://www.merl.com/research/license#KCNet에서 확인 가능합니다.