ShellNet: Concentric Shells 統計を使用した効率的な点群畳み込みニューラルネットワーク

点群データの3次元深層学習は、点の順序の曖昧性を処理できる畳み込みニューラルネットワークが導入されて以来、大幅に進歩しました。さまざまなシーン理解タスクにおいて高い精度を達成できることを示していますが、従来の手法は多くの場合、訓練速度が低く、ネットワークアーキテクチャが複雑であるという問題がありました。本論文では、これらの問題に対処するために、効率的なエンドツーエンドの順序不変性畳み込み（ShellConv）を提案します。ShellConvは単純かつ効果的な畳み込み演算子で、同心円状の球殻からの統計値を使用して代表的な特徴量を定義し、点の順序の曖昧性を解消することで、伝統的な畳み込みがそのような特徴量に対して動作できるようにします。さらに、ShellConvに基づいて大規模な受容野を持ちつつも層数を少なく保つことで直接点群データを取り扱える効率的なニューラルネットワーク（ShellNet）を構築します。我々はShellNetの有効性を示すために、オブジェクト分類、オブジェクト部品セグメンテーション、およびセマンティックシーンセグメンテーションにおいて最先端の結果を得ながら非常に高速な訓練時間を維持することを実証しました。