초록
본 논문은 장소 인식을 위한 차별화된 3D 포인트 클라우드 디스크립터를 계산하는 학습 기반 방법을 제시합니다. 기존 방법들, 예를 들어 PointNetVLAD는 순서가 정해지지 않은 포인트 클라우드 표현에 기반하고 있습니다. 이러한 방법들은 PointNet을 첫 번째 처리 단계로 사용하여 로컬 특징을 추출한 후, 이를 글로벌 디스크립터로 집계합니다. 그러나 PointNet 아키텍처는 로컬 기하 구조를 효과적으로 포착하기에 적합하지 않습니다. 따라서 최신 연구에서는 그래프 컨볼루셔널 네트워크나 수작업으로 설계된 특징 등을 추가하여 기본 PointNet 아키텍처를 개선하고 있습니다.이에 대안적인 접근법으로, 희소 복셀화된 포인트 클라우드 표현과 희소 3D 컨볼루션을 기반으로 하는 MinkLoc3D라는 방법을 소개합니다. 제안된 방법은 간단하면서도 효율적인 아키텍처를 가지고 있습니다. 표준 벤치마크에서의 평가 결과, MinkLoc3D가 현재 최신 연구보다 우수한 성능을 보임을 입증하였습니다. 본 프로젝트의 코드는 다음과 같은 웹사이트에서 공개적으로 이용 가능합니다: https://github.com/jac99/MinkLoc3D