要約
3D点群の幾何学的および意味的特性を深層ネットワークを通じて解析することは、その幾何学構造のサンプリングが不規則かつ疎であるため、依然として困難な課題となっています。本論文では、提案された円環畳み込み（annular convolution）を用いて、3D点群上で直接畳み込みを定義し計算する新しい手法を提示します。この新しい畳み込み演算子は、計算において正規および拡張されたリング形状の構造と方向を指定することで、各点の局所近傍幾何学をよりよく捉えることができます。また、信号処理レベルで幾何学的な変動性とスケーラビリティに適応することができます。我々はこれを物体分類、部品セグメンテーション、大規模シーンでの意味的セグメンテーションのために開発された階層的ニューラルネットワークに適用しました。広範な実験と比較により、我々のアプローチがModelNet10, ModelNet40, ShapeNet-part, S3DIS, ScanNetなどの標準ベンチマークデータセットにおいて最先端の方法を上回ることが示されています。