[論文レビュー] Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline

Ankit Goyal, Hei Law+3 more|arXiv (Cornell University)|Jun 9, 2021

3D Shape Modeling and Analysis参考文献 66被引用数 59

ひとこと要約

論文は評価プロトコル要因が点群分類性能を大きく左右することを示し、制御されたプロトコルの下で最先端と同等以上を達成する単純な投影ベースのベースライン SimpleView を導入し、パラメータ数を減らしている。

ABSTRACT

Processing point cloud data is an important component of many real-world systems. As such, a wide variety of point-based approaches have been proposed, reporting steady benchmark improvements over time. We study the key ingredients of this progress and uncover two critical results. First, we find that auxiliary factors like different evaluation schemes, data augmentation strategies, and loss functions, which are independent of the model architecture, make a large difference in performance. The differences are large enough that they obscure the effect of architecture. When these factors are controlled for, PointNet++, a relatively older network, performs competitively with recent methods. Second, a very simple projection-based method, which we refer to as SimpleView, performs surprisingly well. It achieves on par or better results than sophisticated state-of-the-art methods on ModelNet40 while being half the size of PointNet++. It also outperforms state-of-the-art methods on ScanObjectNN, a real-world point cloud benchmark, and demonstrates better cross-dataset generalization. Code is available at https://github.com/princeton-vl/SimpleView.

研究の動機と目的

• 評価スキーム、データ拡張、損失などのプロトコル要因がアーキテクチャに依存せず、点群分類性能にどのように影響するかを評価する。
• 制御されたプロトコルの下で一般的なアーキテクチャ（PointNet, PointNet++, DGCNN, RSCNN）を再評価する。
• 単純な投影ベースのベースラインである SimpleView を導入および評価する。
• ModelNet40 および実世界の ScanObjectNN での SimpleView の性能と、データセット間での一般化を示す。

提案手法

• 拡張や損失関数などの制御可能な要因からアーキテクチャを分離するプロトコル枠組みを定義・分析する。
• 標準化されたプロトコルの下で PointNet、PointNet++、DGCNN、RSCNN を再現・比較する。
• 3D 点を正投影平面上の深度マップに変換し、軽量な CNN（ResNet18/4）で処理する投影ベースのベースライン SimpleView を実装する。
• 公平な比較のため、各オブジェクトにつき固定の 1024 点、ImageNet プレトレーニングを使用しない、アンサンブル予測を使用しない。
• ビュー数、投影タイプ（透視/正射影）、深度計算（最小値 vs 加重平均）、特徴結合（連結 vs プーリング）のアブレーションを実施する。
• ModelNet40 と ScanObjectNN で実験を行い、データセット間転移テストを含む。

実験結果

リサーチクエスチョン

• RQ1 プロトコルの選択（拡張、損失、評価プロトコル）は、点群分類手法間の報告性能にどの程度影響するか？
• RQ2 プロトコルを制御した場合、単純な投影ベースのベースラインは最先端の点ベースネットワークに匹敵または上回ることができるか？
• RQ3 SimpleView は ModelNet40 および実世界の ScanObjectNN でどのように性能を発揮し、データセットをまたいで一般化するか？

主な発見

• プロトコルの選択が大きな性能差を生み出すことが多く、アーキテクチャの利得を覆い隠してしまう可能性がある。
• プロトコルを統制した場合、PointNet++ は新しいアーキテクチャと競合する。
• SimpleView は ModelNet40 で最先端手法と同等またはそれ以上の結果を達成し、ScanObjectNN ではそれらを上回る。
• SimpleView は競合するネットワークよりパラメータ数が少なく、ImageNet プレトレーニングに依存しない。
• SimpleView は以前の方法と比較してデータセット間一般化性能がより良いことを示す。