要約
リアルワールドにおける応用において、堅牢な点群分類は極めて重要である。なぜなら、一般消費者向けに提供される3Dセンサは、さまざまなアーティファクトによって劣化した部分的かつノイズの多いデータを出力するためである。本研究では、部分点群サンプリングに基づく汎用的なアンサンブル枠組みを提案する。各アンサンブルメンバーは、部分的な入力データのみに接触する。3つのサンプリング戦略を統合的に用いる：局所的な2つの戦略（パッチと曲線に基づく）と、グローバルなランダムサンプリング戦略である。本手法が局所的およびグローバルな劣化に対して高い堅牢性を示すことを実証した。また、本フレームワークがトップクラスの分類ネットワークの堅牢性を大幅に向上させることを示した。実験設定では、Renら[24]によって最近導入されたModelNet-Cデータベースを用い、増強なしおよび増強ありの両方の設定において、最先端（SOTA）の性能を達成した。増強なしデータにおける平均劣化誤差（mCE）は0.64（現状のSOTAは0.86）であり、増強ありデータでは0.50（現状のSOTAは0.57）を達成した。これらの顕著な結果は、多様性分析を通じて解析・説明している。本研究のコードは以下のURLで公開されている：https://github.com/yossilevii100/EPiC