방향 강화된 복셀 네트워크를 이용한 3D 객체 인식

최근 연구에서는 3D 컨볼루셔널 네트워크를 사용한 3D 객체 인식에서 좋은 성능을 보임을 입증하였습니다. 본 논문에서는 객체의 방향이 3D 인식에 중요한 역할을 한다는 점을 보여드립니다. 더욱 구체적으로, 회전에 따라 네트워크에서 객체가 다른 특징을 유발한다는 주장을 제시합니다. 따라서, 우리는 카테고리 수준 분류 작업을 다중 작업 문제로 접근하며, 네트워크가 클래스 라벨뿐만 아니라 객체의 자세도 예측하도록 병렬 작업으로 훈련시키는 방법을 제안합니다. 이 접근법이 분류 결과에 상당한 개선 효과를 가져온다는 것을 증명하였습니다. 제안된 아키텍처는 다양한 3D 데이터 소스를 나타내는 여러 데이터셋(LiDAR 데이터, CAD 모델, RGB-D 이미지)에서 테스트되었습니다. 우리는 분류 성능뿐만 아니라 3D 감지에서 기준 모델 대비 정밀도와 속도 면에서 상당한 개선 효과를 보인 최신 연구 결과를 보고합니다.