[논문 리뷰] Canonical and Compact Point Cloud Representation for Shape Classification

Kent Fujiwara, Ikuro Sato외 3명|arXiv (Cornell University)|2018. 09. 13.

3D Shape Modeling and Analysis참고 문헌 19인용 수 5

한 줄 요약

이 논문은 SVD를 통해 거리장을 4차원 캐논리컬 공간으로 투영하고, 스케일 없는 극단적 학습 기계(ELM)를 사용하여 점군에 대한 새로운, 컴act하고 불변인 표현을 제안한다. 이는 크기, 회전, 원점 이동, 점 순서 변경에 대해 불변성을 보장한다. 이 방법은 최소한의 데이터 증강과 얕은 네트워크로 ModelNet10/40에서 최신 기술 수준의 정확도를 달성하며, 광범위한 데이터 증강이 필요한 기존 방법들을 능가한다.

ABSTRACT

We present a novel compact point cloud representation that is inherently invariant to scale, coordinate change and point permutation. The key idea is to parametrize a distance field around an individual shape into a unique, canonical, and compact vector in an unsupervised manner. We firstly project a distance field to a $4$D canonical space using singular value decomposition. We then train a neural network for each instance to non-linearly embed its distance field into network parameters. We employ a bias-free Extreme Learning Machine (ELM) with ReLU activation units, which has scale-factor commutative property between layers. We demonstrate the descriptiveness of the instance-wise, shape-embedded network parameters by using them to classify shapes in $3$D datasets. Our learning-based representation requires minimal augmentation and simple neural networks, where previous approaches demand numerous representations to handle coordinate change and point permutation.

연구 동기 및 목표

• 비정형 3D 점군 분류에서 좌표 변화, 점 순서 변경, 크기 변화에 대한 불변성을 확보하는 데 도전한다.
• 데이터 증강에 의존하지 않고도 내재적으로 불변인 컴act하고 인스턴스별 표현을 개발한다.
• 단일 고정 길이 특징 벡터로만 구성된 얕은 신경망이 높은 분류 정확도를 달성할 수 있음을 보여준다.
• 크기 변화와 해상도 변동에 대한 표현의 강건성을 검증한다.
• 거리장 계산 중 표면 점을 부분적으로 샘플링하면 정확도 손실 없이 강건성이 향상됨을 보여준다.

제안 방법

• 3D 점군에서 스케일 공변 거리장을 구성하여, 주변 3D 격자 상의 각 점에서 가장 가까운 표면 점까지의 부호 거리를 표현한다.
• 샘플링된 점 좌표와 그에 해당하는 거리 값으로 이루어진 행렬에 대해 특이값 분해(SVD)를 적용하여 거리장을 4차원 캐논리컬 공간으로 투영함으로써, 회전, 크기, 원점 이동에 대한 불변성을 확보한다.
• ReLU 활성화 함수를 사용한 스케일 없는 극단적 학습 기계(ELM)를 인스턴스별로 훈련하여 캐논리컬 표현을 임bedding하며, ELM의 스케일 인자 교환 성질을 활용해 점 순서 변경과 크기 변화에 대한 불변성을 확보한다.
• 훈련된 ELM의 네트워크 파라미터(가중치와 편향)를 추출하여 각 형태별로 컴act하고 고정 길이의 특징 벡터로 사용하여 후속 분류 작업을 수행한다.
• 표면 점을 무작위로 부분 샘플링함으로써 데이터 증강을 가능하게 하여, 약간 다른 거리장을 생성하고 강건성을 향상시킨다.
• 분류 작업은 ELM 파라미터를 특징으로 사용하여 별도의 ELM을 훈련시켜 지도 학습 방식으로 수행한다.

실험 결과

연구 질문

• RQ1 데이터 증강 없이도 회전, 크기, 원점 이동, 점 순서 변경에 대해 불변인 컴act하고 인스턴스별 표현을 학습할 수 있는가?
• RQ2 단일 특징 벡터로만 구성된 얕은 신경망이 높은 분류 정확도를 달성할 수 있는가?
• RQ3 크기 및 회전 변화에 대한 정확도와 강건성 측면에서 제안된 방법은 최신 기술 수준의 방법들과 비교해 어떻게 성능을 내는가?
• RQ4 표면 점을 부분 샘플링하면 표현의 강건성과 일반화 능력이 어느 정도 향상되는가?
• RQ5 ELM 기반 임베딩이 이론적으로나 경험적으로나 불변성 특성을 유지하는가?

주요 결과

• 제안된 방법은 ModelNet40에서 84.9%의 정확도, ModelNet10에서 91.9%의 정확도를 달성하였으며, 각 인스턴스당 단일 표현만을 사용하여 여러 최신 기술 수준의 방법들을 능가했다.
• 인스턴스당 16개의 부분 샘플링된 표현을 사용할 경우 ModelNet40에서 85.8%의 정확도를 달성하여, 부분 샘플링을 통한 강건성 향상이 확인되었다.
• 어떠한 데이터 증강 없이도 ModelNet40에서 84.9%의 정확도를 기록하여 MVCNN(83.0%)를 능가했으며, 강력한 회전 불변성을 입증했다.
• 0.5배 크기 변환 하에서 83.9%의 정확도를 유지한 반면, PointNet은 81.8%로 떨어져 스케일 불변성을 확인했다.
• 테스트 인스턴스당 0.122초(모든 SVD 및 ELM 계산 포함)가 소요되었으며, PointNet의 0.010초보다 빠르지 않지만, 병렬 처리를 통해 가속화 가능했다.
• 부분 샘플링 실험에서 일관된 성능을 보여, 표현이 해상도 및 샘플링 변동에 대해 강건함을 입증했다.