3D 의미 분할을 위한 부분 다양체 희소 컨볼루션 네트워크

컨벌루션 네트워크는 이미지, 비디오, 3D 형태와 같은 시공간 데이터를 분석하는 데 사실상 표준으로 사용되고 있습니다. 이러한 데이터 중 일부는 자연스럽게 밀도가 높습니다(예: 사진) 하지만 많은 다른 데이터 소스는 본질적으로 희소합니다. 예를 들어, LiDAR 스캐너 또는 RGB-D 카메라를 사용하여 얻은 3D 포인트 클라우드가 있습니다. 표준 "밀도 높은" 컨벌루션 네트워크 구현은 이러한 희소 데이터에 적용될 때 매우 비효율적입니다. 우리는 공간적으로 희소한 데이터를 더 효율적으로 처리하도록 설계된 새로운 희소 컨벌루션 연산을 소개하며, 이를 이용하여 공간적으로 희소한 컨벌루션 네트워크를 개발하였습니다. 우리는 이로 인해 생성된 모델, 즉 하위 다양체 희소 컨벌루션 네트워크(SSCNs)가 3D 포인트 클라우드의 의미 분할과 관련된 두 가지 작업에서 우수한 성능을 보임을 입증하였습니다. 특히, 우리의 모델은 최근 의미 분할 경쟁의 테스트 세트에서 모든 이전 최고 수준의 결과를 초월하였습니다.