초록
포인트 클라우드 분석은 불규칙한 포인트에서 암시되는 형태를 포착하기 어려워 매우 도전적입니다. 본 논문에서는 RS-CNN, 즉 관계-형태 합성곱 신경망(Relation-Shape Convolutional Neural Network)을 제안합니다. 이 모델은 규칙적인 격자 구조의 CNN을 포인트 클라우드 분석을 위한 불규칙한 구성을 확장한 것입니다. RS-CNN의 핵심은 포인트 간의 기하학적 위상 제약 조건, 즉 관계로부터 학습하는 것입니다. 구체적으로, 로컬 포인트 세트에 대한 합성곱 가중치는 이 포인트 세트에서 샘플링된 포인트와 다른 포인트들 사이의 사전 정의된 기하학적 사전 정보(geometric priors)로부터 고차원적인 관계 표현을 학습하도록 강제됩니다. 이러한 방식으로, 포인트들의 공간 배치에 대해 명시적으로 추론하는 귀납적인 로컬 표현이 얻어지며, 이는 형태 인식 능력과 안정성을 크게 향상시킵니다. 이 합성곱 연산자를 기본 연산자로 사용하여 RS-CNN은 계층적 구조를 개발할 수 있으며, 이를 통해 컨텍스트에 따른 형태 인식 학습을 수행하여 포인트 클라우드 분석을 달성할 수 있습니다. 세 가지 작업에 걸친 도전적인 벤치마크에서 실시된 광범위한 실험들은 RS-CNN이 최신 기술(state of the arts)을 달성함을 검증하였습니다.