[논문 리뷰] PRIN: Pointwise Rotation-Invariant Network.

Yang You, Yujing Lou외 5명|arXiv (Cornell University)|2018. 11. 23.

3D Shape Modeling and Analysis참고 문헌 9인용 수 16

한 줄 요약

PRIN은 밀도에 민감한 적응형 샘플링, 구형 바이트 복 convolution, 그리고 점 재샘플링을 통해 구형 신호 구축을 통한 회전 불변성을 달성하는 새로운 점별 회전 불변 네트워크를 제안한다. 데이터 증강 없이도 기존 최고 수준의 방법보다 뛰어난 성능을 보이며, 불변성에 대한 이론적 근거를 제시한다.

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.

연구 동기 및 목표

• 실세계 응용에서 알려지지 않은 또는 무작위 방향으로 배치된 포인트 클라우드 분석의 과제를 해결하기 위해.
• 순서가 없는 포인트 클라우드에서 직접적으로 회전 불변 특징을 학습할 수 있는 딥 러닝 프레임워크를 개발하기 위해.
• 안정적인 회전에 대한 저항력을 확보하기 위해 데이터 증강이나 자세 사전 지식에 의존하지 않기 위해.
• 분류, 부분 세그멘테이션, 기능 매칭을 포함한 다양한 3D 작업에서 일관된 성능을 제공하기 위해.

제안 방법

• 밀도에 민감한 적응형 샘플링을 사용해 구형 공간에서 왜곡된 점 분포를 정규화하는 구형 신호를 구축한다.
• 구형 이웃을 집계하여 국소적이고 회전 불변 특징을 추출하기 위해 구형 바이트 복 convolution을 도입한다.
• 공간 재조직을 통해 불변성을 향상시키기 위해 특징 표현을 개선하기 위해 점 재샘플링을 적용한다.
• 각 점을 독립적으로 처리하는 점별 네트워크 아키텍처를 설계하며, 이는 회전 등변 연산을 포함한다.
• 기하학적 불변성을 특징 학습 과정에 통합하기 위해 구형 좌표 변환을 활용한다.
• 제안된 특징 추출 파이프라인의 회전 불변성을 증명하는 이론적 분석을 제공한다.

실험 결과

연구 질문

• RQ1 데이터 증강이나 자세 감독 없이도 포인트 클라우드 네트워크가 회전 불변성을 달성할 수 있는가?
• RQ2 구형 신호 구축은 비균일한 점 분포에서 발생하는 왜곡을 어떻게 완화할 수 있는가?
• RQ3 어떤 아키텍처 구성 요소가 포인트 클라우드에서 효과적인 회전 불변 특징 학습을 가능하게 하는가?
• RQ4 제안된 방법은 기울인 포인트 클라우드 벤치마크에서 최고 수준의 접근법과 어떻게 비교되는가?
• RQ5 제안된 네트워크 구성 요소의 회전 불변성에 대한 이론적 근거는 무엇인가?

주요 결과

• PRIN은 어떤 데이터 증강 없이도 최고 수준의 방법보다 기울인 포인트 클라우드 데이터셋에서 뛰어난 성능을 달성한다.
• 네트워크는 물체 분류, 부분 세그멘테이션, 3D 기능 매칭을 포함한 다양한 3D 작업에서 높은 정확도를 유지한다.
• 구형 바이트 복 convolution과 점 재샘플링은 회전에 대한 특징의 강건성을 크게 향상시킨다.
• 밀도에 민감한 적응형 샘플링은 구형 표현에서 기하학적 왜곡을 효과적으로 감소시킨다.
• 이론적 분석을 통해 네트워크 설계가 특징 학습에서 회전 불변성을 보장한다는 것이 확인된다.
• 실험 결과는 무작위 기울임 설정 하에서 표준 벤치마크에서 일관된 성능 향상을 보여준다.