PointCNN: $\mathcal{X}$-변환된 점들 위에서의 합성곱

우리는 점 클라우드에서 특징 학습을 위한 간단하고 일반적인 프레임워크를 제시합니다. CNN의 성공 요인은 격자(예: 이미지)에 밀집적으로 표현된 데이터에서 공간적 지역 상관성을 활용할 수 있는 컨볼루션 연산자입니다. 그러나 점 클라우드는 불규칙하고 순서가 정해져 있지 않으므로, 점과 관련된 특징에 커널을 직접 적용하여 컨볼루션을 수행하면 형상 정보가 손실되고 점의 순서에 따라 결과가 달라질 수 있습니다.이러한 문제들을 해결하기 위해, 우리는 입력 점들로부터 $\mathcal{X}$-변환을 학습하는 방법을 제안합니다. 이 변환은 두 가지 목표를 동시에 추구합니다. 첫째, 점과 관련된 입력 특징들의 가중치를 부여하는 것이고, 둘째, 점들을 잠재적이고 가능한 표준 순서로 재배열하는 것입니다. 일반적인 컨볼루션 연산자의 원소별 곱셈 및 덧셈 연산은 subsequently $\mathcal{X}$-변환된 특징들에 적용됩니다.제안된 방법은 일반적인 CNNs를 점 클라우드에서의 특징 학습으로 확장한 것으로, 이를 PointCNN이라고 명명하였습니다. 실험 결과, PointCNN은 여러 도전적인 벤치마크 데이터셋과 작업에서 기존 최신 방법들과 동등하거나 더 우수한 성능을 보였습니다.