ShellNet: Concentric Shells 통계를 사용한 효율적인 포인트 클라우드 컨볼루셔널 신경망

점 클라우드 데이터의 순서 애매함(point order ambiguity)을 처리할 수 있는 컨볼루션 신경망(convolutional neural networks)이 도입된 이후, 3D 데이터를 활용한 딥 러닝은 크게 발전하였습니다. 다양한 장면 이해 작업에서 좋은 정확도를 달성할 수 있었지만, 이전 방법들은 종종 낮은 학습 속도와 복잡한 네트워크 구조를 가지고 있었습니다. 본 논문에서는 이러한 문제들을 해결하기 위해 점 클라우드 딥 러닝을 위한 효율적인 엔드투엔드 순열 불변 컨볼루션(end-to-end permutation invariant convolution)을 제안합니다. 우리의 단순하면서도 효과적인 컨볼루션 연산자인 ShellConv는 동심 원형 껍질(concentric spherical shells)의 통계치를 사용하여 대표적 특징을 정의하고 순서 애매함을 해결하여, 이러한 특징들에 대해 전통적인 컨볼루션이 수행될 수 있도록 합니다. ShellConv를 기반으로 하여 우리는 더 큰 수용 영역(receptive fields)을 가지면서도 층 수가 적은 점 클라우드를 직접 처리하는 효율적인 신경망인 ShellNet을 구축하였습니다. 우리는 ShellNet의 효능성을 객체 분류, 객체 부분 세그멘테이션, 그리고 의미적 장면 세그멘테이션에서 최신 연구 결과(state-of-the-art results)를 얻으면서도 매우 빠른 학습 속도를 유지함으로써 입증하였습니다.