要約
ポイントクラウド解析の基本的なタスクである分類は、基礎的である一方で、常に挑戦的な課題を抱えている。既存手法に残された未解決の問題に取り組むために、ポイントクラウドの幾何学的特徴をより効果的に捉えるネットワークを提案する。本手法では、一方で低次元3D空間における点の幾何学的情報を明示的に豊かにする。他方で、高次元特徴空間においてCNNベースの構造を用いて、局所的な幾何学的文脈を暗黙的に学習する。具体的には、誤り訂正フィードバック構造のアイデアを活用し、ポイントクラウドの局所特徴を包括的に捉える。さらに、チャネル間の類似性に基づくアテンションモジュールを導入することで、特徴マップが重複を避け、特徴的なチャネルに重点を置くことができる。合成データおよび実世界のポイントクラウドデータセットにおける実験結果から、本ネットワークの優位性と汎用性が示された。他の最先端手法と比較しても、本手法は精度と効率のバランスを良好に保つことが確認された。