초록
3D 포인트 클라우드의 기하학적 및 의미론적 속성을 딥 네트워크를 통해 분석하는 것은 그들의 기하학적 구조의 불규칙성과 희소성 샘플링 때문에 여전히 어려운 문제입니다. 본 논문에서는 제안된 원환형 컨볼루션(annular convolution)을 사용하여 3D 포인트 클라우드에서 직접 컨볼루션을 정의하고 계산하는 새로운 방법을 제시합니다. 이 새로운 컨볼루션 연산자는 계산 과정에서 (규칙적이고 확장된) 고리 형태의 구조와 방향을 지정함으로써 각 점의 국부 이웃 기하학을 더 잘 포착할 수 있습니다. 이는 신호 처리 수준에서 기하학적 변동성과 확장성을 적응할 수 있습니다. 우리는 이를 개발된 계층적 신경망에 적용하여 대상 분류, 부분 세그멘테이션, 그리고 대규모 장면에서의 의미론적 세그멘테이션을 수행하였습니다. 광범위한 실험과 비교를 통해 우리의 접근법이 다양한 표준 벤치마크 데이터셋(예: ModelNet10, ModelNet40, ShapeNet-part, S3DIS, ScanNet)에서 최신 방법들을 능가한다는 것을 입증하였습니다.