SageMix: 注目度誘導型 Mixup による点群処理

データ拡張は、深層学習モデルの汎化能力を向上させる上で重要な役割を果たします。Mixupは、単純かつ広く使用されているデータ拡張技術であり、過学習やデータ不足の問題を軽減する効果が実証されています。また、画像分野における最近の研究では、差別的な部分を保つことが汎化性能の向上に有益であることが示されています。しかし、これらのMixupベースのデータ拡張手法は3次元ビジョン、特に点群において十分に探索されていません。本論文では、SageMix（サリエンシーガイドのMixup）という点群向けの新しいMixup手法を提案します。この手法は、重要な局所構造を保つことを目的としています。具体的には、2つの点群から重要な領域を抽出し、それらを滑らかに1つの連続した形状に結合します。再重み付けされたサリエンシー・スコアによる単純な逐次サンプリングにより、SageMixは重要な領域の局所構造を保つことができます。広範な実験結果から、提案手法がさまざまなベンチマーク点群データセットで既存のMixup手法よりも一貫して優れた性能を発揮することが示されています。PointNet++を使用した場合、3D Warehouseデータセット（MN40）とScanObjectNNにおいて標準的な訓練方法に対してそれぞれ2.6%および4.0%の精度向上が達成されました。汎化性能だけでなく、SageMixは堅牢性と不確実性キャリブレーションも改善します。さらに、部品セグメンテーションや標準的な2D画像分類などの様々なタスクにも適用することで、競争力のある性能が得られることを確認しています。