[논문 리뷰] Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features

Kuangen Zhang, Ming Hao외 3명|arXiv (Cornell University)|2019. 04. 22.

3D Shape Modeling and Analysis참고 문헌 24인용 수 142

한 줄 요약

LDGCNN는 여러 동적 그래프의 계층적 특징을 연결하고 변환 네트워크를 제거함으로써 포인트 클라우드 분류 및 분할을 개선하며 ModelNet40과 ShapeNet에서 최첨단 성능을 달성합니다.

ABSTRACT

Learning on point cloud is eagerly in demand because the point cloud is a common type of geometric data and can aid robots to understand environments robustly. However, the point cloud is sparse, unstructured, and unordered, which cannot be recognized accurately by a traditional convolutional neural network (CNN) nor a recurrent neural network (RNN). Fortunately, a graph convolutional neural network (Graph CNN) can process sparse and unordered data. Hence, we propose a linked dynamic graph CNN (LDGCNN) to classify and segment point cloud directly in this paper. We remove the transformation network, link hierarchical features from dynamic graphs, freeze feature extractor, and retrain the classifier to increase the performance of LDGCNN. We explain our network using theoretical analysis and visualization. Through experiments, we show that the proposed LDGCNN achieves state-of-art performance on two standard datasets: ModelNet40 and ShapeNet.

연구 동기 및 목표

• 정규 격자나 법선 벡터 없이 희소하고 비정렬된 포인트 클라우드에서 직접 학습을 유도
• 다른 동적 그래프에서 특징을 연결하여 DGCNN을 개선
• 변환 네트워크를 제거하고 MLP 기반 회전 불변성 입증
• 특징 추출기를 고정하고 분류기를 재훈련하여 성능 향상
• 이론적 분석, 시각화 및 절제 실험을 통해 설계 선택을 검증

제안 방법

• 포인트 클라우드에서 K-NN을 사용하여 국소 방향 그래프를 구성
• 공유 MLP와 최대풀링으로 에지 합성곱을 사용하여 국소 특징 추출
• 다른 동적 그래프의 계층적 특징을 연결하여 정보성 에지 벡터를 계산
• 변환 네트워크를 제거하고 회전 불변성 근사에 MLP 사용
• 선택적으로 특징 추출기를 고정하고 분류기를 재훈련하여 성능 향상

실험 결과

연구 질문

• RQ1 다이나믹 그래프 전반에서 계층적 특징을 연결하면 포인트 클라우드의 에지 특징 품질이 향상될 수 있을까?
• RQ2 MLP 기반 접근 방식일 때 회전/불변성에 변환 네트워크가 필요한가?
• RQ3 특징 추출기를 고정하고 분류기를 재훈련하면 표준 데이터세트에서 전체 정확도가 향상되는가?
• RQ4 LDGCNN이 ModelNet40 분류 및 ShapeNet 분할에서 최첨단 방법과 어떻게 비교되는가?
• RQ5 에지 계산에서 특징 공간의 K-NN과 유클리드 공간 중 어떤 것을 사용하는지가 영향은?

주요 결과

• LDGCNN는 1024 포인트 입력에서 OA 92.9% 및 MA 90.3%로 ModelNet40에서 최첨단 성능을 달성합니다.
• ShapeNet 분할에서 LDGCNN은 이전 방법들과 비교하여 부품별 평균 IoU가 경쟁력 있게 나타납니다(표 2).
• 변환 네트워크를 제거하고 에지 특징 추출에 MLP를 사용하는 것이 성능을 유지하거나 개선합니다.
• 특징 추출기를 고정하고 분류기를 재훈련하면 ModelNet40 OA가 91.8%에서 92.9%로 상승합니다.
• LDGCNN는 여러 기준선보다 모델 크기가 작고 앞선 방법들에 비해 동시 또는 더 빠른 전달 시간을 보입니다(예: OA 92.9%에 매개변수 1.08M).