매개변수만이 필요한 것은 아니다: 3D 포인트 클라우드 분석을 위한 비매개변수 네트워크에서 시작하기

우리는 3D 포인트 클라우드 분석을 위한 비모수적 네트워크, Point-NN을 제시합니다. 이 네트워크는 가장 먼 점 샘플링(Farthest Point Sampling, FPS), k-최근접 이웃(k-Nearest Neighbors, k-NN), 그리고 삼각 함수를 사용한 풀링 연산으로 구성된 순전히 학습 불가능한 구성 요소들로 이루어져 있습니다. 놀랍게도, 이 모델은 어떠한 매개변수나 학습 없이도 다양한 3D 작업에서 우수한 성능을 보여주며, 기존의 완전히 학습된 모델들을 능가하기까지 합니다.이 기본적인 비모수적 모델을 기반으로 두 가지 확장을 제안합니다. 첫째, Point-NN은 선형 계층을 추가하여 파라미터적 네트워크(Point-PN)를 구축하는 기본 아키텍처 프레임워크로 활용될 수 있습니다. 우수한 비모수적 기반 덕분에, 파생된 Point-PN은 몇 개의 학습 가능한 매개변수만으로도 높은 성능과 효율성의 균형을 유지합니다. 둘째, Point-NN은 추론 과정에서 이미 학습된 3D 모델들의 플러그 앤 플레이 모듈로 활용될 수 있습니다. Point-NN은 보완적인 기하학적 지식을 포착하여 재학습 없이 다양한 3D 벤치마크에서 기존 방법들을 강화할 수 있습니다.우리는 본 연구가 비모수적 방법을 통해 3D 포인트 클라우드를 이해하는 데 있어 커뮤니티에 새로운 시각을 제공하기를 바랍니다. 코드는 https://github.com/ZrrSkywalker/Point-NN에서 확인할 수 있습니다.