깊은 학습을 위한 3D 형태의 표현 시도 대부분은 볼루메트릭 그리드, 다중 뷰 이미지 및 포인트 클라우드에 초점을 맞추어 왔습니다. 본 논문에서는 컴퓨터 그래픽스에서 가장 널리 사용되는 3D 형태의 표현 방식인 삼각 메시(triangular mesh)를 살펴보고, 이를 깊은 학습 내에서 어떻게 활용할 수 있는지를 탐구합니다. 이 질문에 대한 몇 안 되는 시도들은 컨볼루션 및 풀링(pooling)을 컨볼루셔널 신경망(Convolutional Neural Networks, CNNs)에 적합하도록 조정하는 방법을 제안하였습니다. 그러나 본 논문에서는 이러한 접근법과 매우 다른 방식, 즉 'MeshWalker'라는 방법을 제안하여 주어진 메시로부터 형태를 직접 학습하는 것을 목표로 합니다. 이 방법의 핵심 아이디어는 메시 표면을 따라 무작위로 움직이는 경로(random walks)를 통해 메시의 기하학적 특성과 위상학적 구조를 "탐색"하는 것입니다. 각 경로는 정점들의 리스트로 구성되며, 이는 일정한 규칙성을 메시에 부여합니다. 경로는 "경로의 역사"를 기억하는 순환 신경망(Recurrent Neural Network, RNN)에 입력됩니다. 우리는 본 접근법이 두 가지 기본적인 형태 분석 작업인 형태 분류와 의미 분할에서 최신 연구 결과(state-of-the-art results)를 달성함을 보여줍니다. 또한, 매우 적은 수의 예제만으로도 학습이 가능하다는 점이 중요합니다.这是因为大型的3D网格数据集很难获取。修正后的翻译：이는 대규모 3D 메시 데이터셋을 획득하기가 어렵기 때문입니다.