FPNN: 3D 데이터를 위한 필드 프로빙 신경망

3차원 데이터에 대한 차별화된 표현을 구축하는 것은 컴퓨터 그래픽스와 컴퓨터 비전 연구에서 중요한 과제입니다. 컨벌루션 신경망(CNNs)은 다양한 작업에서 2차원 이미지를 처리하는 데 큰 성공을 거두었습니다. 3차원으로 컨벌루션 연산자를 확장하는(3DCNNs) 것은 타당하고 유망한 다음 단계로 보이지만, 불행히도 3D CNN의 계산 복잡도는 복셀 해상도에 대해 세제곱으로 증가합니다. 또한 대부분의 3D 기하학적 표현이 경계 기반인 경우, 점유 영역은 이산화의 크기와 비례하여 증가하지 않아 계산 자원이 낭비됩니다. 본 연구에서는 3차원 공간을 체적 필드로 표현하고, 필드 프로빙 필터를 사용하여 효율적으로 특징을 추출하는 새로운 설계를 제안합니다. 각 필드 프로빙 필터는 공간을 인식하는 센서 역할을 하는 프로빙 포인트들의 집합입니다. 우리의 학습 알고리즘은 프로빙 포인트와 관련된 가중치뿐만 아니라 그 위치까지 최적화하여, 프로빙 필터의 모양을 변형시키고 3차원 공간에 적응적으로 분포시킵니다. 최적화된 프로빙 포인트들은 전체 영역에서 무작정 작동하는 것이 아니라 3차원 공간을 "지능적으로" 감지합니다. 우리는 필드 프로빙이 3D 객체 인식 벤치마크 데이터셋에서 분류 작업에 있어 3DCNN보다 훨씬 효율적이면서도 최신 수준의 성능을 제공함을 보여줍니다.