要約
大規模な3Dシーンにおける効率的なセマンティックセグメンテーションを実現する、新規のスーパーポイントベースのトランスフォーマー構造を提案する。本手法は、点群を階層的なスーパーポイント構造に迅速に分割するアルゴリズムを導入しており、従来のスーパーポイントベース手法と比較して前処理速度が7倍向上している。さらに、複数スケールにおけるスーパーポイント間の関係を捉えるために自己注意（self-attention）機構を活用することで、S3DIS（76.0% mIoU、6fold検証）、KITTI-360（Valで63.5%）、DALES（79.6%）の3つの困難なベンチマークデータセットにおいて、最先端の性能を達成した。パラメータ数はわずか212kであり、他の最先端モデルと比べて最大200倍もコンパクトでありながら、同等の性能を維持している。また、S3DISデータセットの1foldに対する学習も単一GPUで3時間で完了可能であり、性能が最優秀な他の手法と比べてGPU時間は7倍から70倍も削減されている。本研究のコードおよびモデルは、github.com/drprojects/superpoint_transformerにて公開されている。