초록
우리는 순수 포인트 클라우드 기하학에서 감독 없이 3D 로컬 디스크립터를 학습하기 위한 PPF-FoldNet을 제시합니다. 잘 알려진 포인트 쌍 특징(point pair features)의 폴딩(folding) 기반 오토인코딩을 기반으로 하는 PPF-FoldNet은 다음과 같은 많은 바람직한 속성을 제공합니다: 감독이 필요하지 않으며, 민감한 로컬 참조 프레임도 필요하지 않습니다. 또한 포인트 집합의 희소성(sparse point set)을 활용하며, 엔드투엔드(end-to-end), 빠르고, 강력한 회전 불변 디스크립터(rotation invariant descriptors)를 추출할 수 있습니다. 새로운 특징 시각화(feature visualization) 덕분에 그 진화 과정을 모니터링하여 해석 가능한 통찰력을 제공할 수 있습니다. 우리의 광범위한 실험 결과는 6자유도 불변성과 학습 라벨 부재에도 불구하고, 우리 네트워크가 표준 벤치마크 데이터셋에서 최고 수준의 성능을 달성하고, 회전과 다양한 포인트 밀도가 있는 경우 경쟁 모델보다 우수함을 보여줍니다. PPF-FoldNet은 표준 벤치마크에서 9% 더 높은 재현율(recall)을 달성하며, 동일한 데이터셋에 회전이 도입된 경우에는 23% 더 높은 재현율을 보입니다. 마지막으로, 포인트 밀도가 크게 줄어든 경우에는 35% 이상의 마진(margin)을 얻습니다.