초록
우리는 임의의 3차원 점 구름에서 기계 학습을 위한 옥트리 안내 신경망 구조와 구면 컨볼루션 커널을 제안합니다. 이 신경망 구조는 불규칙한 점 구름의 희소성을 활용하며, 공간 분할을 통해 데이터 표현을 계층적으로 굵게 만듭니다. 동시에 제안된 구면 커널은 점 이웃을 체계적으로 양자화하여 데이터에서 국소적인 기하학적 구조를 식별하면서, 평행 이동 불변성과 비대칭성 등의 특성을 유지합니다. 우리는 네트워크 뉴런의 도움으로 구면 커널을 지정하며, 이러한 뉴런들은 공간 위치와 연관되어 있습니다. 우리는 이 연관성을 활용하여 네트워크 학습 중 동적 커널 생성을 방지하여 고해상도 점 구름에서 효율적인 학습이 가능하도록 합니다. 제안된 기술의 효과성은 3D 객체 분류 및 분할 벤치마크 작업에서 입증되었으며, ShapeNet과 RueMonge2014 데이터셋에서 새로운 최고 수준의 성능을 달성하였습니다.