초록
실세계 응용 분야에서 강건한 포인트 클라우드 분류는 매우 중요하다. 소비자용 3D 센서는 다양한 아티팩트로 인해 부분적이고 노이즈가 많은 데이터를 생성하기 때문이다. 본 연구에서는 부분적 포인트 클라우드 샘플링을 기반으로 한 일반적인 앙상블 프레임워크를 제안한다. 각 앙상블 구성 요소는 부분적인 입력 데이터만을 처리한다. 이 프레임워크는 두 가지 국소적 샘플링 전략(패치 기반 및 곡선 기반)과 하나의 전역적 샘플링 전략(랜덤 샘플링)을 결합하여 사용한다. 제안하는 방법이 다양한 국소적 및 전역적 품질 저하에 대해 강건함을 실험적으로 입증하였다. 또한, 최고 성능을 보이는 분류 네트워크의 강건성을 크게 향상시킴을 보였다. 실험 설정은 Ren 등[24]이 최근에 도입한 ModelNet-C 데이터베이스를 사용하였으며, 증강되지 않은 데이터와 증강된 데이터 모두에서 현재까지의 최고 성능(SOTA)을 달성하였다. 증강되지 않은 데이터에서의 평균 오염 오차(mean Corruption Error, mCE)는 0.64(기존 SOTA: 0.86)이며, 증강된 데이터에서는 0.50(기존 SOTA: 0.57)을 기록하였다. 이러한 놀라운 성능 향상을 다양성 분석을 통해 분석하고 설명하였다. 본 연구의 코드는 다음 링크에서 공개되어 있다: https://github.com/yossilevii100/EPiC