[論文レビュー] PCEDNet : A Neural Network for Fast and Efficient Edge Detection in 3D Point Clouds.

Chems-Eddine Himeur, Thibault Lejemble+4 more|arXiv (Cornell University)|Nov 3, 2020

3D Shape Modeling and Analysis被引用数 4

ひとこと要約

本稿では、3次元点群の各点まわりのマルチスケール微分幾何特徴を符号化するためのスケール・スペース行列（SSM）を用いるコンactなニューラルネットワーク、PCEDNetを提案する。この手法により、高速かつ高精度なエッジ検出が可能になる。この方法は、標準のCNNよりもトレーニング速度、推論時間、分類精度で優れており、最小限のトレーニングデータで数百万点を数秒で処理できる。

ABSTRACT

In recent years, Convolutional Neural Networks (CNN) have proven to be efficient analysis tools for processing point clouds, e.g., for reconstruction, segmentation and classification. In this paper, we focus on the classification of edges in point clouds, where both edges and their surrounding are described. We propose a new parameterization adding to each point a set of differential information on its surrounding shape reconstructed at different scales. These parameters, stored in a Scale-Space Matrix (SSM), provide a well suited information from which an adequate neural network can learn the description of edges and use it to efficiently detect them in acquired point clouds. After successfully applying a multi-scale CNN on SSMs for the efficient classification of edges and their neighborhood, we propose a new neural network architecture outperforming the CNN in learning time, processing time and classification capabilities. Our architecture is compact, requires small learning sets, is very fast to train and classifies millions of points in seconds.

研究の動機と目的

• 不規則なデータ構造とノイズのため、3次元点群における効率的かつ高精度なエッジ検出の課題に対処すること。
• トレーニング時間と推論時間を短縮しつつ、分類性能を維持または向上させるために、既存のCNNベースの手法を改善すること。
• 小規模なトレーニングデータでも高い汎化性能を示す、コンactなニューラルアーキテクチャを開発すること。
• 各点の局所的な幾何構造をマルチスケール微分情報で符号化し、耐障害性の高いエッジ表現を実現すること。

提案手法

• 本手法は、各点の周囲で複数スケールにわたる微分幾何特徴（例：曲率、法線の変動）を捉えるスケール・スペース行列（SSM）を導入する。
• 各点は、さまざまなスケールでの局所形状再構築から得られるSSM特徴で豊かにされ、エッジおよび周辺領域の情報を符号化する。
• SSMを効率的に処理するための新しいニューラルネットワークアーキテクチャ、PCEDNetが設計され、階層的特徴学習を活用してエッジ分類を実現する。
• アノテート済みエッジを備えた点群データを用いた教師あり学習設定で、ネットワークをエンドツーエンドでトレーニングする。
• 速度とパラメータ効率性を最適化したアーキテクチャにより、大規模点群におけるリアルタイム推論が可能になる。
• 空間的文脈を保持しながらエッジ検出を実現するため、SSMを処理するマルチスケール畳み込み設計を採用する。

実験結果

リサーチクエスチョン

• RQ1 スケール・スペース行列に符号化されたマルチスケール幾何特徴は、3次元点群におけるエッジ検出精度を向上させることができるか？
• RQ2 PCEDNetのアーキテクチャは、標準のCNNと比較して、トレーニング時間、推論速度、分類性能のどの面でも優れているか？
• RQ3 コンactなニューラルネットワークは、限られたトレーニングデータでも高いエッジ検出精度を達成できるか、その程度はいかほどか？
• RQ4 複数スケールでの微分幾何特徴の統合は、ノイズや不規則なサンプリング下でもエッジ検出の耐障害性を向上させることができるか？

主な発見

• PCEDNetは、標準のCNNよりも高速なトレーニングおよび推論時間を達成しており、数百万点を数秒で処理できる。
• 最小限のトレーニングデータで、エッジおよびその周辺領域の分類精度が優れている。
• スケール・スペース行列（SSM）は、マルチスケール幾何特徴を効果的に符号化し、ネットワークが豊富で文脈に配慮した表現を学習できるようにしている。
• PCEDNetのコンactなアーキテクチャは、パrameter数を削減しながらも高い性能を維持しており、リアルタイム応用に適している。
• 点群エッジ検出タスクにおいて、PCEDNetは標準のCNNを上回る学習速度と分類能力を示している。
• 複数スケールでの微分幾何特徴の使用は、多様な点群データセットにおいてエッジ検出の耐障害性を顕著に向上させている。