초록
본 논문에서는 형태 그래프로 표현된 3D 모델의 의미 주석 문제를 연구합니다. 그래프 상의 국소화된 정보를 표현하기 위해 기능적 관점을 취하며, 부품 분할이나 키포인트와 같은 주석은 0-1 지시 정점 함수로 간주됩니다. 이미지가 2D 격자 구조인 것과 달리, 형태 그래프는 불규칙하고 비동형적인 데이터 구조입니다. 이러한 그래프에서 정점 함수를 예측하기 위해 컨볼루션 신경망을 사용하려면, 그래프 라플라시안 고유기저에 의해 확장된 스펙트럼 영역에서 커널을 매개변수화하여 가중치 공유를 가능하게 하는 스펙트럼 CNN 방법론을 활용해야 합니다. 이 설정 하에서, 우리 네트워크인 SyncSpecCNN은 단일 형태 내의 그래프 다른 부분에서 계수 공유와 다중 스케일 분석을 수행하는 방법, 그리고 매우 다른 그래프로 표현될 수 있는 관련되지만 다른 형태 간에 정보를 공유하는 방법이라는 두 가지 핵심 과제를 극복하기 위해 노력합니다. 이를 위해 우리는 스펙트럼 매개변수화된 확장 컨볼루션 커널과 스펙트럼 변환기 네트워크를 도입하였습니다. 실험적으로, 우리는 3D 형태 부품 분할 및 3D 키포인트 예측 등 다양한 작업에서 SyncSpecCNN을 테스트하였으며, 모든 벤치마크 데이터셋에서 최고 수준의 성능을 달성하였습니다.