포인트 클라우드 학습을 위한 동적 그래프 CNN

포인트 클라우드는 컴퓨터 그래픽스에서 수많은 응용 분야에 적합한 유연한 기하학적 표현을 제공하며, 대부분의 3D 데이터 획득 장치의 원시 출력을 구성하기도 합니다. 그래픽스와 비전 분야에서는 포인트 클라우드를 위한 수작업으로 설계된 특징들이 오랫동안 제안되어 왔지만, 이미지 분석을 위한 컨볼루션 신경망(CNNs)의 최근 압도적인 성공은 CNN의 통찰력을 포인트 클라우드 세계로 적용하는 가치를 시사합니다. 포인트 클라우드는 본질적으로 위상 정보가 부족하므로, 위상을 복원할 수 있는 모델을 설계하면 포인트 클라우드의 표현 능력을 향상시킬 수 있습니다. 이를 위해 우리는 포인트 클라우드에서 분류 및 세그멘테이션과 같은 CNN 기반 고급 작업에 적합한 새로운 신경망 모듈인 EdgeConv를 제안합니다.EdgeConv는 네트워크의 각 층에서 동적으로 계산된 그래프 상에서 작동합니다. 이 모듈은 미분 가능하며 기존 아키텍처에 쉽게 통합될 수 있습니다. 내재적 공간에서 작동하거나 각 점을 독립적으로 처리하는 기존 모듈들과 비교하여 EdgeConv는 다음과 같은 매력적인 특성을 가지고 있습니다: 로컬 이웃 정보를 통합하며, 글로벌 형상 속성을 학습하기 위해 쌓아서 적용할 수 있으며, 다층 시스템에서는 피처 공간에서의 친화성이 원래 임베딩 공간에서 긴 거리에 걸쳐 의미론적 특성을 포착할 수 있습니다. 우리는 ModelNet40, ShapeNetPart, S3DIS 등의 표준 벤치마크에서 우리 모델의 성능을 보여줍니다.