[論文レビュー] PRIN: Pointwise Rotation-Invariant Network.

Yang You, Yujing Lou+5 more|arXiv (Cornell University)|Nov 23, 2018

3D Shape Modeling and Analysis参考文献 9被引用数 16

ひとこと要約

PRINは、密度に配慮した適応的サンプリング、球面ボクセル畳み込み、および点の再サンプリングを用いて球面信号を構築することで回転不変性を達成する、3次元点群解析のための新規なポイントワイズ回転不変ネットワークを提案する。データ拡張を用いない状態で回転させた点群においても最先端の手法を上回る性能を発揮し、不変性の理論的裏付けも提示する。

ABSTRACT

Point cloud analysis without pose priors is very challenging in real applications, as the orientations of point clouds are often unknown. In this paper, we propose a brand new point-set learning framework PRIN, namely, Pointwise Rotation-Invariant Network, focusing on rotation-invariant feature extraction in point clouds analysis. We construct spherical signals by Density Aware Adaptive Sampling to deal with distorted point distributions in spherical space. In addition, we propose Spherical Voxel Convolution and Point Re-sampling to extract rotation-invariant features for each point. Our network can be applied to tasks ranging from object classification, part segmentation, to 3D feature matching and label alignment. We show that, on the dataset with randomly rotated point clouds, PRIN demonstrates better performance than state-of-the-art methods without any data augmentation. We also provide theoretical analysis for the rotation-invariance achieved by our methods.

研究の動機と目的

• 実世界の応用において未知またはランダムな向きを持つ点群の解析という課題に対処すること。
• 順序のない点群から直接回転不変特徴を学習できるディープラーニングフレームワークを構築すること。
• 回転に対する頑健性を達成するためにデータ拡張やポーズ事前知識に依存しないようにすること。
• 物体分類、パーツセグメンテーション、特徴マッチングを含む多様な3次元タスクにおいて一貫した性能を実現すること。

提案手法

• 密度に配慮した適応的サンプリングを用いて球面空間における歪んだ点分布を正規化する球面信号の構築。
• 球面近傍の集約により局所的で回転不変な特徴を抽出する球面ボクセル畳み込みの導入。
• 空間的再配置を通じて特徴表現を精緻化し、不変性を強化するための点の再サンプリングの適用。
• 各点を独立に処理するポイントワイズネットワークアーキテクチャの設計。回転等変換性を持つ演算を用いる。
• 幾何的不変性を特徴学習プロセスに埋め込むために球面座標変換を活用。
• 提案された特徴抽出パイプラインの回転不変性を証明する理論的分析の提供。

実験結果

リサーチクエスチョン

• RQ1 データ拡張やポーズの監視に依存せずに、点群ネットワークが回転不変性を達成できるか。
• RQ2 球面信号の構築は、非一様な点分布に起因する歪みをどのように軽減できるか。
• RQ3 点群における効果的な回転不変特徴学習を可能にするアーキテクチャ的要素は何か。
• RQ4 提案手法は、回転させた点群ベンチマークにおいて最先端の手法と比較してどのように評価されるか。
• RQ5 提案されたネットワーク部品の回転不変性の理論的根拠は何か。

主な発見

• PRINは、いかなるデータ拡張を用いない状態で、回転させた点群データセットにおいて最先端の手法を上回る優れた性能を発揮する。
• ネットワークは、物体分類、パーツセグメンテーション、3次元特徴マッチングを含む多様な3次元タスクにおいて高い精度を維持する。
• 球面ボクセル畳み込みと点の再サンプリングは、回転に対する特徴の頑健性を顕著に向上させる。
• 密度に配慮した適応的サンプリングは、球面表現における幾何的歪みを効果的に低減する。
• 理論的分析により、ネットワークの設計が特徴学習における回転不変性を保証していることが確認された。
• 実験的結果により、ランダムな回転設定下でも標準ベンチマークで一貫した性能向上が示された。