点群における剛体混合サンプルを用いた正則化戦略

データ拡張は、深層ニューラルネットワークに内在する過学習（overfitting）を緩和する有効な正則化戦略である。しかし、画像データに対する多様な拡張手法が多数提案されている一方で、点群処理においてはデータ拡張がほとんど検討されていない。実際、点群データはデータセットが小さい場合に一般化能力の欠如がより顕著になるため、正則化は特に重要である。本研究では、点群用の新しいデータ拡張手法として、剛体部分集合混合（Rigid Subset Mix, RSMix）を提案する。RSMixは、あるサンプルの一部を別のサンプルから形状を保持した部分集合で置き換えることで、仮想的な混合サンプルを生成する。この手法は、点群の無順序性およびグリッド非構造という特徴を考慮して設計された近傍関数を用いて、各サンプルから変形を伴わずに部分集合を抽出することにより、点群の構造情報を保持する。実験により、RSMixが深層ニューラルネットワークの正則化に成功し、形状分類性能において顕著な向上を達成したことが確認された。さらに、豊富なアブレーションスタディを基に、RSMixを含むさまざまなデータ拡張手法の組み合わせについて、単一視点および複数視点評価を統合的に分析した。