통증 없이 큰 성과: 정적 모델을 사용하여 동적 포인트 클라우드 시퀀스 분류하기 - 특징 수준의 시공간 표면 적합을 통해

シーン 플로우는 3D 포인트 클라우드의 운동 필드를 캡처하는 강력한 도구입니다. 그러나, 비정형적인 포인트들 때문에 포인트 단위의 대응 관계를 효율적이고 효과적으로 추적하기 어려워서 또는 불가능하기 때문에, 플로우 기반 모델을 동적 포인트 클라우드 분류에 직접 적용하는 것은 어렵습니다. 이러한 대응 관계를 명시적으로 추적하지 않고 3D 운동을 캡처하기 위해, 우리는 ST-표면의 운동학 개념을 특성 공간으로 일반화하여 운동학에서 영감을 받은 신경망(Kinet)을 제안합니다. ST-표면의 정규 솔버를 특성 공간에서 펼침으로써, Kinet은 특성 수준의 역학을 암시적으로 인코딩하고 정적 포인트 클라우드 처리에 사용되는 성숙한 백본에서 이점을 얻습니다. 네트워크 구조에 대한 미세한 변경과 낮은 컴퓨팅 오버헤드만으로도 주어진 정적 모델과 함께 우리의 프레임워크를 공동 학습하고 배포하는 것이 무리 없이 가능합니다. NvGesture, SHREC'17, MSRAction-3D, NTU-RGBD 데이터셋에서 수행된 실험들은 성능, 파라미터 수와 계산 복잡도 면에서의 효율성, 그리고 다양한 정적 백본에 대한 유연성을 보여줍니다. 특히, Kinet은 3.20M 파라미터와 10.35G FLOPS로 MSRAction-3D에서 93.27%의 정확도를 달성하였습니다.