[論文レビュー] Geometric features for voxel-based surface recognition

Dmitry Yarotsky|arXiv (Cornell University)|Jan 16, 2017

3D Shape Modeling and Analysis参考文献 14被引用数 6

ひとこと要約

本稿では、CAD表面認識のためのスパースなボクセルベースの幾何的特徴ライブラリを提案する。このライブラリは、複数スケールで内在的体積（体積、表面積、平均/ガウス曲率）と、それらから導出されるハールウェーブレットおよび統計的特徴を計算する。ESBデータセット上で評価した結果、浅い決定木を用いて高い分類精度を達成した。これは、高解像度の統計的特徴が生のボクセル特徴を上回り、形状認識において特に有用であることが示された。

ABSTRACT

We introduce a library of geometric voxel features for CAD surface recognition/retrieval tasks. Our features include local versions of the intrinsic volumes (the usual 3D volume, surface area, integrated mean and Gaussian curvature) and a few closely related quantities. We also compute Haar wavelet and statistical distribution features by aggregating raw voxel features. We apply our features to object classification on the ESB data set and demonstrate accurate results with a small number of shallow decision trees.

研究の動機と目的

• 空間局所化を保持しつつ、積分幾何的性質を統合するボクセルベースの幾何的特徴抽出の統一フレームワークの構築を目的とする。
• スパースベクトル表現を用いて、複数スケールでの幾何的特徴の効率的計算を可能にする。
• CAD形状分類のための生の特徴と集約特徴（ハールウェーブレット、統計的）の有効性を評価すること。
• 分類およびリtrievalのための一貫した、分離されたパイプラインで、異なる特徴タイプとスケールの性能を比較すること。
• 深層学習を用いた標準的なブール型ボクセル化に比べ、豊富な幾何的特徴を用いた浅いモデルが優れていることを示すこと。

提案手法

• 本手法は、表面をボクセルグリッドと交差させることで、各ボクセル内で局所的な内在的体積（3次元体積、表面積、平均曲率の積分、ガウス曲率の積分）を計算する。
• 階層的ボクセライゼーション戦略を用いて、複数スケールへの特徴の拡張を実現し、マルチスケール解析を可能にする。
• 生のボクセル特徴から、統計的特徴（百分位数 0, 25, 50, 75, 100）とハールウェーブレット変換特徴を導出し、分布的および周波数ベースのパターンを捉える。
• 特徴生成と学習を分離するためのフレームワークを設計し、柔軟な後処理とモデル学習を可能にする。
• スパースベクトル実装により、メモリコストが著しく増大することなく、高解像度のボクセライゼーション（N > 100）を実現する。
• 最終的な分類は、生の特徴と集約特徴の両方を用いて、深さ2の決定木を用いたXGBoostで実行する。

実験結果

リサーチクエスチョン

• RQ1 異なる解像度スケールにおいて、生の特徴と集約特徴のどちらがCADモデルの分類性能を最も高めるか？
• RQ2 内在的体積に基づく特徴は、統計的特徴およびウェーブレットベース特徴と比較して、CAD形状の区別にどの程度優れているか？
• RQ3 幾何的ボクセル特徴を用いた有効な分類に必要な最適な深さと木の数は何か？
• RQ4 グローバル特徴（例：全曲率積分）とローカル特徴の形状認識タスクにおける性能は、どのように比較できるか？
• RQ5 高解像度の統計的特徴は、浅い木ベースのモデルにおいて、生のボクセル特徴をどの程度上回るか？

主な発見

• 最良の分類性能は深さ2のXGBoost木で達成され、豊富な幾何的特徴を有する浅いモデルが非常に有効であることが示された。
• 高解像度の統計的特徴（スケール 2^1 から 2^7）は、生のボクセル特徴を著しく上回り、特に解像度が1を超える領域で顕著であった。
• 最も優れた性能を示した特徴はVAD-, EAD-, およびEVベースの統計的特徴であり、全表面積や全体積は上位20位内に含まれなかった。
• 分類器は平均曲率およびガウス曲率の積分に基づく特徴を好んで使用しており、それらの特徴が強い識別力を持っていることが示唆された。
• 対称化された予測により、非対称化された場合と比較して木の数を約半分に削減でき、学習効率が向上した。
• テスト誤差は約0.15に達し、正しく分類されたのは85%のケースであり、Miscellaneousクラスでの誤分類はわずかであった。