3D 데이터에서 객체 분류를 위한 볼루메트릭 및 다중 뷰 CNNs

3D 형태 모델이 점점 더 많이 사용되고 캡처하기 쉬워짐에 따라, 객체 분류의 발전을 위해 3D 정보의 활용이 중요해지고 있습니다. 현재 최신 방법들은 이 문제를 해결하기 위해 CNN(합성곱 신경망)을 활용하고 있습니다. 최근에는 두 가지 유형의 CNN이 개발되고 있는데, 체적 표현 기반의 CNN과 다중 시점 표현 기반의 CNN입니다. 이 두 유형의 CNN에서 얻은 경험적 결과는 큰 차이를 보여주어, 기존 체적 CNN 아키텍처와 접근 방식이 3D 표현의 잠재력을 충분히 활용하지 못하고 있음을 나타냅니다. 본 논문에서는 기존 접근 방식에 대한 광범위한 분석을 바탕으로 체적 CNN과 다중 시점 CNN 모두를 개선하는 것을 목표로 합니다. 이를 위해 우리는 두 가지 독특한 체적 CNN 네트워크 아키텍처를 제안합니다. 또한, 다중 시점 CNN에서 3D 다중 해상도 필터링을 도입하여 검토하였습니다. 전반적으로, 우리는 체적 CNN과 다중 시점 CNN 모두에서 현재 최신 방법들을 능가할 수 있었습니다. 우리는 객체 분류를 위한 3D 데이터 처리 방법들의 공간에 대한 더 나은 이해를 제공하기 위해 설계된 광범위한 실험 결과를 제시합니다.