PointCNN: X-변환된 점 위의 컨볼루션

점군(point cloud)에서 특징 학습을 위한 간단하고 일반적인 프레임워크를 제안한다. CNN의 성공의 핵심은 격자 형태로 밀집 표현된 데이터(예: 이미지) 내에서 공간적 국소 상관관계를 효과적으로 활용할 수 있는 컨볼루션 연산자에 있다. 그러나 점군은 비정규적이고 순서가 없기 때문에, 커널을 점들과 관련된 특징에 직접 컨볼루션하는 방식은 형태 정보를 상실하게 되고, 점들의 순서에 민감하게 되는 문제가 발생한다. 이러한 문제를 해결하기 위해, 입력 점들로부터 X-변환(X-transformation)을 학습하는 방안을 제안한다. 이 X-변환은 입력 특징들을 동시에 가중하고, 잠재적으로 표준화된 순서로 재배열하는 데 사용된다. 이후 전형적인 컨볼루션 연산에서 사용되는 원소별 곱셈과 합산 연산을 X-변환된 특징에 적용한다. 제안하는 방법은 전형적인 CNN을 점군에서 특징을 학습할 수 있도록 일반화한 것으로, 이를 PointCNN이라 명명한다. 실험 결과, 다양한 도전적인 벤치마크 데이터셋과 작업에서 PointCNN이 최신 기술 대비 동등하거나 더 뛰어난 성능을 달성함을 보였다.