점 구름에서 네트워크 설계와 국소 기하학 재고찰: 간단한 잔차 MLP 프레임워크

포인트 클라우드 분석은 불규칙하고 순서가 없는 데이터 구조로 인해 어려움을 겪고 있습니다. 3D 기하학적 구조를 포착하기 위해, 이전 연구들은 주로 합성곱, 그래프 또는 어텐션 메커니즘을 활용한 복잡한 국소 기하학적 추출기를 탐구하였습니다. 그러나 이러한 방법들은 추론 시 불리한 지연 시간을 초래하며, 최근 몇 년 동안 성능이 정체되어 왔습니다. 본 논문에서는 이 작업에 대한 새로운 관점을 제시합니다. 우리는 상세한 국소 기하학적 정보가 포인트 클라우드 분석의 핵심이 아닐 가능성을 발견하였습니다 -- 이를 통해 복잡한 국소 기하학적 추출기를 통합하지 않은 순수 잔차 MLP 네트워크인 PointMLP를 소개합니다. 제안된 경량 기하학적 어파인 모듈을 장착함으로써, PointMLP는 여러 데이터셋에서 새로운 최고 수준의 성능을 달성하였습니다. 실제 환경의 ScanObjectNN 데이터셋에서 우리 방법은 이전 최고 방법보다 3.3% 높은 정확도를 보였습니다. 우리는 PointMLP가 어떠한 복잡한 연산 없이도 강력한 성능을 달성하였음을 강조하며, 이는 우수한 추론 속도를 가져왔습니다. 가장 최근의 CurveNet과 비교하여 PointMLP는 2배 더 빠르게 훈련되고, 7배 더 빠르게 테스트되며, ModelNet40 벤치마크에서 더 높은 정확도를 보입니다. 우리는 PointMLP가 포인트 클라우드 분석에 대한 더 나은 이해를 돕기 바란다는 희망을 가지고 있습니다. 코드는 https://github.com/ma-xu/pointMLP-pytorch에서 확인할 수 있습니다.