FG-Net：相関特徴マイニングと幾何認識モデリングを活用した高速大規模LiDAR点群理解ネットワーク

本研究は、ボクセル化を必要とせずに大規模点群データの理解を実現する汎用的な深層学習フレームワーク「FG-Net」を提案する。この手法は、単一のNVIDIA GTX 1080 GPUを用いて、高い精度とリアルタイム性能を実現している。まず、後続の高レベルタスクを効果的に支援するため、新たなノイズおよび外れ値フィルタリング手法を設計した。効果的な理解を実現するため、相関特徴のマイニングと可変変形畳み込み（deformable convolution）に基づく幾何学的注意型モデリングを活用した深層畳み込みニューラルネットワークを提案する。これにより、局所的な特徴間の関係性や幾何学的パターンを十分に捉えることが可能となる。計算効率の観点から、逆密度サンプリング（inverse density sampling）操作と特徴ピラミッドに基づく残差学習戦略を導入することで、それぞれ計算コストとメモリ消費を削減した。実世界の難易度の高いデータセットを用いた広範な実験により、本手法が精度および効率の点で既存の最先端手法を上回ることを示した。さらに、弱教師付き転移学習を実施することで、本手法の汎化能力も実証した。