[論文レビュー] AdvectiveNet: An Eulerian-Lagrangian Fluidic reservoir for Point Cloud Processing

Xingzhe He, Helen Lu Cao+1 more|arXiv (Cornell University)|Jan 31, 2020

Computer Graphics and Visualization Techniques参考文献 51被引用数 4

ひとこと要約

AdvectiveNetは、流体力学にインspiredされた速度場における学習された輸送を用いて特徴の進化をモデル化する、ポイントクラウド処理のための新規なEulerian-Lagrangian流体リザボアを導入する。この手法は、競合手法と比較して顕著に少ないパラメータ数でModelNet40およびShapeNetで最先端の性能を達成する。

ABSTRACT

This paper presents a novel physics-inspired deep learning approach for point cloud processing motivated by the natural flow phenomena in fluid mechanics. Our learning architecture jointly defines data in an Eulerian world space, using a static background grid, and a Lagrangian material space, using moving particles. By introducing this Eulerian-Lagrangian representation, we are able to naturally evolve and accumulate particle features using flow velocities generated from a generalized, high-dimensional force field. We demonstrate the efficacy of this system by solving various point cloud classification and segmentation problems with state-of-the-art performance. The entire geometric reservoir and data flow mimics the pipeline of the classic PIC/FLIP scheme in modeling natural flow, bridging the disciplines of geometric machine learning and physical simulation.

研究の動機と目的

• ポイントクラウド学習における効果的な畳み込みスタンプの構築と非線形特徴の進化の課題に対処すること。
• ポイントクラウド処理を流体輸送問題としてモデル化することで、幾何学的機械学習と物理シミュレーションを橋渡しすること。
• 成熟した計算流体力学インfraを活用するハイブリッドEulerian-Lagrangianフレームワークを構築すること。
• 物理的に根拠のあるリザボアに特徴の進化を埋め込むことで、効率的で低パラメータの学習を可能にすること。
• 物理にインスパイアされたリザボアが、ポイントクラウド分類およびセグメンテーションタスクでSOTA性能を達成または上回ることを実証すること。

提案手法

• この手法は、世界座標系の空間構造を静的Eulerianグリッドで表現し、進化する特徴を追跡するためのLagrangian粒子を用いる。
• 特徴の進化は、学習された速度場における輸送によって制御され、流体の対流を模倣することで非線形特徴分離を可能にする。
• 粒子-グリッド変換は、計算流体力学におけるPIC/FLIP手法にインspiredされた補間スキームを用いて実行される。
• グリッドの高次元力場を一般化することで、粒子の移動と特徴の蓄積を誘導する速度場を生成する。
• ネットワーク全体は物理的リザボアとして動作し、学習は損失エネルギー関数を最小化する最適な制御力場を見つけることに相当する。
• Eulerianグリッドによりグローバルな高速畳み込みが可能であり、Lagrangian粒子により非線形特徴の進化を追跡できる。

実験結果

リサーチクエスチョン

• RQ1 Eulerian-Lagrangian二重性を持つ物理にインスパイアされた流体リザボアは、ポイントクラウド特徴学習を改善できるか？
• RQ2 輸送や粒子追跡といった流体力学的原則を、ポイントクラウドネットワークにおける特徴表現の向上にどのように適応できるか？
• RQ3 ハイブリッドグリッド-粒子システムは、パラメータ数を減らしながらも、既存のポイントベースまたはグリッドベースのネットワークを上回れるか？
• RQ4 PIC/FLIP数値フレームワークは、幾何データにおける深層学習に再利用可能か？
• RQ5 物理的輸送ダイナミクスによる学習は、ポイントクラウドタスクにおける一般化性能と性能を向上させるか？

主な発見

• ModelNet10では95.4%の精度を達成し、グリッドベース表現を用いたSOTA手法を上回った。
• ModelNet40では92.8%の精度を達成し、DGCNN（92.9%）と同等の性能を示したが、パラメータ数はDGCNNの2100万に対してわずか100万にとどまった。
• ShapeNetパーツセグメンテーションでは86.2%のmIoUを達成し、110万パラメータとたった2ステップの時間ステップで、すべてのポイントベースベースラインを上回った。
• 4%から25%の少ないパラメータ数で、PointCNN や DGCNN などのSOTAモデルを上回る優れたパラメータ効率性を示した。
• セグメンテーションプロセスの可視化では、時間経過に伴い一貫性があり物理的に妥当な特徴の進化が観察された。
• フレームワークはPIC/FLIP流体シミュレーションパイプラインを効果的に模倣し、高次元空間における安定的かつ効果的な特徴伝搬を可能にした。