PointDAN：ポイントクラウド表現を 위한マルチスケール3Dドメイン適応ネットワーク

ドメイン適応（Domain Adaptation, DA）手法は、機械学習およびコンピュータビジョンの多岐にわたるタスク（分類、検出、セグメンテーションなど）において顕著な性能向上を達成している。しかしながら、現時点で知られている限り、3次元ポイントクラウドデータに対するドメイン適応を直接実現する手法はまだ限られている。ポイントクラウドデータの特徴的な課題は、豊富な空間幾何情報を持つ点群構造にあり、物体全体の意味的特徴は、局所的な幾何構造を統合することで形成される点にある。特に、グローバル特徴の整合性を図る上で困難を抱え、局所的な幾何情報に着目しない一般的なDA手法は、3次元ドメイン間の適応に不適切である。本論文では、ポイントクラウドデータ向けに新たな3次元ドメイン適応ネットワーク（PointDAN）を提案する。PointDANは、多段階にわたりグローバル特徴とローカル特徴を統合的に適応させる。ローカル適応のため、受容 field（受容領域）を動的に調整可能な自己適応（Self-Adaptive, SA）ノードモジュールを設計し、ドメイン間で特徴的な局所構造をモデル化する。さらに、階層的なスケール特徴を表現するため、SAノード間の関係性を重みづけするノードアテンションモジュールを導入する。グローバル適応のためには、敵対的学習（adversarial-training）戦略を採用し、異なるドメイン間でのグローバル特徴の学習と整合を図る。現状、3次元ポイントクラウドにおけるDA評価の共通ベンチマークが存在しないため、本研究では、3つの代表的な3次元オブジェクト／シーンデータセット（ModelNet、ShapeNet、ScanNet）から抽出したデータを用いて、クロスドメイン3次元オブジェクト分類を対象とした汎用ベンチマーク（PointDA-10）を構築した。PointDA-10上での広範な実験結果から、本モデルが既存の最先端の汎用DA手法を上回る優れた性能を発揮することが示された。