포인트 클라우드 학습을 위한 동적 그래프 CNN

포인트 클라우드는 컴퓨터 그래픽스에서 수많은 응용에 적합한 유연한 기하학적 표현을 제공하며, 대부분의 3D 데이터 수집 장치의 원시 출력으로 구성됩니다. 포인트 클라우드에 대한 수작업 설계된 특징은 오랫동안 그래픽스와 비전 분야에서 제안되어 왔지만, 최근 이미지 분석에서의 컨볼루션 신경망(CNN)의 압도적인 성공은 CNN의 통찰력을 포인트 클라우드 세계에 적응시키는 가치가 있음을 시사합니다. 포인트 클라우드는 본질적으로 위상 정보를 결여하고 있으므로, 위상을 복원하기 위한 모델을 설계하는 것은 포인트 클라우드의 표현력을 풍부하게 할 수 있습니다. 이를 위해, 우리는 분류 및 분할을 포함한 포인트 클라우드에서 CNN 기반 고급 작업에 적합한 새로운 신경망 모듈인 EdgeConv를 제안합니다. EdgeConv는 네트워크의 각 레이어에서 동적으로 계산된 그래프에 작용합니다. 이는 미분 가능하며 기존 아키텍처에 통합될 수 있습니다. 외부 공간에서 작동하거나 각 포인트를 독립적으로 처리하는 기존 모듈들과 비교할 때, EdgeConv는 몇 가지 매력적인 특성을 가지고 있습니다: 지역 이웃 정보를 통합하고; 전역 형태 속성을 학습하기 위해 쌓을 수 있으며; 다층 시스템에서는 특징 공간의 친력도가 원래 임베딩에서 잠재적으로 긴 거리에서 의미론적 특성을 포착합니다. 우리는 모델의 성능을 ModelNet40, ShapeNetPart, S3DIS와 같은 표준 벤치마크에서 보여줍니다.