ポイントクラウド解析のための適応型グラフ畳み込み

3次元点群における2次元グリッド型領域から一般化された畳み込みは、広く研究されているものの、まだ完全には達成されていない。従来の畳み込みは、3次元点間の特徴対応を区別せずに処理するため、特徴の識別性が低いという根本的な制約を抱えている。本論文では、各点の動的に学習された特徴に基づいて適応的なカーネルを生成する「適応グラフ畳み込み（Adaptive Graph Convolution, AdaptConv）」を提案する。固定または等方的なカーネルを使用する手法と比較して、AdaptConvは点群畳み込みの柔軟性を向上させ、異なる意味的部位間の多様な関係を効果的かつ正確に捉えることができる。一般的なアテンション重み付け方式とは異なり、本手法は隣接点に異なる重みを付与するという単純なアプローチではなく、畳み込み演算内部に適応性を実装している。広範な定性的・定量的評価により、複数のベンチマークデータセットにおいて、本手法が最先端の点群分類およびセグメンテーション手法を上回ることを示した。コードは https://github.com/hrzhou2/AdaptConv-master で公開されている。