要約
3次元点群データセットの構築には多大な人的労力が必要であるため、大規模な3次元点群データセットの構築は困難である。この問題を解決するため、自然な3次元構造に見られるフラクタル幾何学に着想を得て、式で定義された新しい教師あり学習アプローチを採用した、新開発の点群フラクタルデータベース（PC-FractalDB）を提案する。本研究の前提は、従来の3次元データセットよりも、フラクタル幾何学を学習することで、より現実世界に近い3次元パターンの表現を獲得できるという仮説に基づいている。我々は、PC-FractalDBが3次元シーン理解における近年のデータセット関連課題、特に3次元モデルの収集や手作業によるアノテーションの負担を軽減する上で有効であることを示す。実験結果では、PointContrast、対照的シーンコンテキスト（CSC）、RandomRoomsと比較して、ScanNetV2およびSUN RGB-Dデータセットにおいてそれぞれ最大61.9%および59.0%の性能を達成した。さらに、PC-FractalDBで事前学習されたモデルは、データ量が限られた状況下での学習において特に効果的である。例えば、ScanNetV2データセットの10%の学習データでの評価において、PC-FractalDBで事前学習されたVoteNetは38.3%の精度を達成し、CSCと比較して14.8%高い精度を示した。特に注目すべきは、限られた点群データにおける3次元物体検出の事前学習において、本手法が最も優れた結果を達成した点である。