点群セマンティックセグメンテーションにおけるクラス不均衡を軽減するためのサブスペースプロトタイプガイダンス

ポイントクラウドのセマンティックセグメンテーションは、インテリジェントエージェントの環境認識能力を著しく向上させることができる。しかしながら、分類ごとのサンプル数の偏りによって、セグメンテーションネットワークの識別能力が影響を受けることがある。クラス不均衡に起因する認知バイアスを軽減するため、本研究では新たな手法である部分空間プロトタイプガイダンス（\textbf{SPG}）を提案する。具体的には、まずポイントクラウドをカテゴリごとに独立したポイント集合に分割し、特徴部分空間生成の初期条件を提供する。補助ブランチ（エンコーダとプロジェクションヘッドから構成）により、これらのポイント集合が個別に特徴部分空間にマッピングされる。その後、現在の個別部分空間から抽出された特徴プロトタイプと、過去の部分空間のプロトタイプを統合し、メインブランチの特徴空間をガイドすることで、少数クラスの特徴の識別性を強化する。また、メインブランチの特徴空間から得られたプロトタイプは、補助ブランチの学習をガイドする役割を果たし、全体のネットワークの収束の一貫性を維持するための監視ループを形成する。大規模な公開ベンチマーク（S3DIS、ScanNet v2、ScanNet200、Toronto-3D）および実世界で収集したデータを用いた実験結果から、提案手法がセグメンテーション性能を顕著に向上させ、既存の最先端手法を上回ることを示した。コードは以下のURLから公開されている：\url{https://github.com/Javion11/PointLiBR.git}。