[논문 리뷰] Rethinking the compositionality of point clouds through regularization in the hyperbolic space

Antonio Montanaro, Diego Valsesia외 1명|arXiv (Cornell University)|2022. 09. 21.

3D Shape Modeling and Analysis인용 수 16

한 줄 요약

이 논문은 3D 객체의 수형 구조적 조합 계층을 명시적으로 모델링하기 위해 점군 특징을 쌍곡 공간에 매핑하는 새로운 정규화 방법인 HyCoRe를 제안한다. 쌍곡 공간의 곡률을 활용해 부분-전체 관계를 표현함으로써, 기하학적 구조적 변화가 최소한인 상태에서 기존의 최고 수준의 모델들을 능가하는 성능을 보이며 ModelNet40과 ScanObjectNN에서 분류 정확도를 크게 향상시킨다.

ABSTRACT

Point clouds of 3D objects exhibit an inherent compositional nature where simple parts can be assembled into progressively more complex shapes to form whole objects. Explicitly capturing such part-whole hierarchy is a long-sought objective in order to build effective models, but its tree-like nature has made the task elusive. In this paper, we propose to embed the features of a point cloud classifier into the hyperbolic space and explicitly regularize the space to account for the part-whole hierarchy. The hyperbolic space is the only space that can successfully embed the tree-like nature of the hierarchy. This leads to substantial improvements in the performance of state-of-art supervised models for point cloud classification.

연구 동기 및 목표

• 3D 점군에 내재된 수형 구조적 부분-전체 계층을 유일하게 표현할 수 없는 유클리드 공간과 구면 공간의 한계를 해결하기 위해.
• 조직적 관계를 반영하도록 특징 매핑을 명시적으로 정규화하여 지도 기반 점군 분류 성능을 향상시키기 위해.
• 기존의 평탄하거나 양의 곡률을 가진 공간보다 쌍곡 기하학이 3D 데이터의 계층적 구조를 더 효과적으로 모델링할 수 있음을 입증하기 위해.
• 기존 아키텍처와 호환되는 플러그인 정규화기를 제공하여 최종 분류 레이어를 쌍곡 선형 레이어로 교체하고 리emann 최적화를 적용하기만 하면 되도록 하기 위해.
• 지오데식선이 공통 조상 부분을 통과함을 통해, 계층적 조합적 구조가 어떻게 부상하는지 검증하기 위해.

제안 방법

• 이 방법은 점군 분류기의 최종 특징 표현을 쌍곡 공간의 Poincaré 볼 모델에 매핑한다.
• 전체 물체와 그 구성 부위 간의 거리가 쌍곡 공간 내 지오데식 경로를 따라 최소화되도록 하는 새로운 정규화기를 적용한다.
• 정규화기는 전체 물체에서 부분으로 향하는 지오데식 경로가 그들의 공통 조상 부분을 통과하도록 강제함으로써 계층적 구조를 강화한다.
• 이 접근법은 리emann 최적화를 사용하여 쌍곡 공간 내에서 네트워크를 훈련시키며, 곡률에 의해 유도되는 표현 능력을 유지한다.
• 이 방법은 아키텍처에 종속되지 않으며, 최종 분류 레이어를 쌍곡 선형 레이어로 교체함으로써 기존의 어떤 점군 모델에도 적용할 수 있다.
• 쌍곡 공간의 곡률은 학습 가능한 또는 고정된 곡률 파라미터로 제어되며, 실험 결과 높은 곡률에서 최적의 성능을 보였다.

실험 결과

연구 질문

• RQ1 유일한 유클리드 공간과 구면 공간이 포착하지 못하는 3D 점군의 수형 구조적 조합 계층을 쌍곡 공간이 효과적으로 표현할 수 있는가?
• RQ2 쌍곡 공간에서 특징 매핑을 정규화하면 점군 분류의 일반화 능력과 강건성이 향상되는가?
• RQ3 쌍곡 공간 내 지오데식 경로를 활용해 추론 도중 부분-전체 관계의 부상 여부를 검증할 수 있는가?
• RQ4 쌍곡 공간의 곡률 선택이 정규화된 모델의 성능에 어떤 영향을 미치는가?
• RQ5 이 방법은 아키텍처를 대대적으로 수정하지 않고도 기존 최고 수준의 아키텍처에 적용 가능하며, 다양한 데이터셋에서 성능 향상을 이끌 수 있는가?

주요 결과

• HyCoRe는 ModelNet40과 ScanObjectNN 양쪽에서 최고 성능을 기록하며 이전의 최고 성능 기록을 초월한다.
• ModelNet40에서, 매우 희소한 점군을 분류할 경우 DGCNN의 정확도가 최대 20% 향상된다.
• 부분적 또는 서브샘플된 입력에 대해 뛰어난 강건성을 보이며, 공간적으로 연결된 작은 부분만으로도 객체를 정확히 식별할 수 있다.
• 복합 부위의 쌍곡 노름은 복잡도가 증가함에 따라 증가하며, 전체 물체는 가장 높은 노름(경계에 가까운 위치)에 도달함을 확인하여 계층적 구조가 확인된다.
• 절단 분석 결과, 두 정규화기의 조합이 가장 뛰어난 성능을 내며, 높은 곡률 값(예: c=1)이 매우 낮은 곡률보다 우수한 성능을 보였다.
• 전체 물체와 그 부분 사이의 지오데식 경로는 일관되게 공통 조상 부분을 통과함을 확인하여 조합적 추론의 부상이 검증되었다.