要約
私たちは、任意の3次元点群データから機械学習を行うためのオクツリー（Octree）ガイド型ニューラルネットワークアーキテクチャと球面畳み込みカーネルを提案します。このネットワークアーキテクチャは、不規則な点群データの疎性を利用し、空間分割によってデータ表現を階層的に粗化します。一方で、提案された球面カーネルは、点の近傍を系統的に量子化してデータ内の局所的な幾何構造を特定しながら、並進不変性と非対称性の特性を維持します。私たちは、ネットワークのニューロンが空間位置に関連付けられていることを活用して、球面カーネルを指定します。この関連付けにより、ネットワーク訓練中に動的なカーネル生成を回避でき、高解像度の点群データでの効率的な学習が可能になります。提案手法の有効性は、3次元物体分類とセグメンテーションというベンチマークタスクにおいて確認され、ShapeNetおよびRueMonge2014データセットで新たな最先端の成果を達成しました。