PointNet++: 메트릭 공간에서 점 집합에 대한 깊은 계층적 특성 학습

지금까지 점 집합에 대한 딥 러닝 연구는 많지 않았습니다. Qi 등이 제안한 PointNet은 이 방향에서 선구적인 역할을 하였습니다. 그러나 PointNet의 설계상, 점들이 존재하는 거리 공간에서 유도되는 국소 구조를 포착하지 못하여 미세한 패턴 인식 능력과 복잡한 장면에 대한 일반화 능력이 제한됩니다. 본 연구에서는 입력 점 집합의 중첩된 분할에 대해 재귀적으로 PointNet을 적용하는 계층적 신경망을 소개합니다. 거리 공간 거리를 활용함으로써, 우리의 네트워크는 점차적으로 커지는 문맥 규모로 국소 특징을 학습할 수 있습니다. 또한, 점 집합이 일반적으로 다양한 밀도로 샘플링되어 균일한 밀도로 훈련된 네트워크의 성능이 크게 저하됨을 관찰하였습니다. 이를 해결하기 위해 우리는 여러 규모에서 특징을 적응적으로 결합하는 새로운 세트 학습 층을 제안합니다. 실험 결과, PointNet++이라 명명된 우리의 네트워크가 깊은 점 집합 특징을 효율적이고 강건하게 학습할 수 있음을 보여주었습니다. 특히, 3D 점 클라우드의 어려운 벤치마크에서 기존 최고 수준의 결과보다 크게 우수한 성능을 달성하였습니다.