[논문 리뷰] PCEDNet : A Neural Network for Fast and Efficient Edge Detection in 3D Point Clouds.

Chems-Eddine Himeur, Thibault Lejemble외 4명|arXiv (Cornell University)|2020. 11. 03.

3D Shape Modeling and Analysis인용 수 4

한 줄 요약

이 논문은 3D 포인트 클라우드의 각 점 주변의 다중 척도 미분 기하학적 특징을 인코딩하기 위해 스케일 스페이스 매트릭스(Scale-Space Matrix, SSM)를 사용하는 컴act한 신경망인 PCEDNet을 제안한다. 이는 빠르고 정확한 에지 검출을 가능하게 한다. 이 방법은 학습 속도, 추론 시간, 분류 정확도 측면에서 표준 CNN보다 뛰어나며, 최소한의 학습 데이터로도 초당 수백만 개의 포인트를 처리할 수 있다.

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.

연구 동기 및 목표

• 비정규적인 데이터 구조와 노이즈로 인해 여전히 어려움을 겪고 있는 3D 포인트 클라우드에서의 효율적이고 정확한 에지 검출 문제를 해결하기 위해.
• 기존의 CNN 기반 방법을 개선하여 학습 및 추론 시간을 단축시키면서도 분류 성능을 유지하거나 향상시키기 위해.
• 소규모 학습 데이터로도 충분히 일반화할 수 있는 컴 pact한 신경망 아키텍처를 개발하기 위해.
• 각 점 주변의 국소 기하학적 구조를 다중 척도의 미분 정보를 이용해 인코딩하여 강력한 에지 표현을 가능하게 하기 위해.

제안 방법

• 이 방법은 각 점 주변의 다중 척도에서 미분 기하학적 특징(예: 곡률, 법선 변화 등)을 캡처하는 스케일 스페이스 매트릭스(Scale-Space Matrix, SSM)를 도입한다.
• 각 점은 다양한 척도에서 국소 형태 복원을 통해 유도된 SSM 특징으로 강화되며, 이는 에지 및 이웃 정보를 모두 인코딩한다.
• SSM을 효율적으로 처리하기 위해 설계된 새로운 신경망 아키텍처인 PCEDNet이 제안되며, 이는 계층적 특징 학습을 활용해 에지 분류를 수행한다.
• 에지가 주석이 달린 포인트 클라우드 데이터를 사용하여 지도 학습 설정으로 엔드 투 엔드로 학습된다.
• 빠른 속도와 파rameter 효율성을 위해 최적화되어 있으며, 대규모 포인트 클라우드에서 실시간 추론을 가능하게 한다.
• 공간적 맥락을 유지하면서도 SSM을 처리하는 다중 척도 컨볼루션 설계를 사용하여 에지 검출을 수행한다.

실험 결과

연구 질문

• RQ1 스케일 스페이스 매트릭스에 인코딩된 다중 척도 기하학적 표현이 3D 포인트 클라우드의 에지 검출 정확도를 향상시킬 수 있는가?
• RQ2 PCEDNet 아키텍처는 표준 CNN 대비 학습 시간, 추론 속도, 분류 성능 측면에서 어떻게 비교되는가?
• RQ3 소규모 학습 데이터로도 높은 에지 검출 정확도를 달성할 수 있는 컴 pact한 신경망의 한계는 어느 정도인가?
• RQ4 다중 척도에서의 미분 기하학적 특징 통합이 노이즈와 비정규적 샘플링 조건에서도 에지 검출의 강건성을 향상시킬 수 있는가?

주요 결과

• PCEDNet은 표준 CNN보다 더 빠른 학습 및 추론 시간을 기록하여, 초당 수백만 개의 포인트를 처리할 수 있다.
• 최소한의 학습 데이터로도 에지 및 그 주변 영역의 분류 정확도가 뛰어나다.
• 스케일 스페이스 매트릭스(SSM)는 다중 척도 기하학적 특징을 효과적으로 인코딩하여, 네트워크가 풍부하고 맥락 인식 가능한 표현을 학습할 수 있도록 한다.
• PCEDNet의 컴 pact한 아키텍처는 파라미터 수를 줄이면서도 높은 성능을 유지하여 실시간 응용에 적합하다.
• 포인트 클라우드 에지 검출 작업에서 표준 CNN보다 학습 속도와 분류 능력 측면에서 모두 뛰어나다.
• 다중 척도에서의 미분 기하학적 특징 사용은 다양한 포인트 클라우드 데이터셋에서 에지 검출의 강건성을 크게 향상시킨다.