[論文レビュー] Rethinking the compositionality of point clouds through regularization in the hyperbolic space

Antonio Montanaro, Diego Valsesia+1 more|arXiv (Cornell University)|Sep 21, 2022

3D Shape Modeling and Analysis被引用数 16

ひとこと要約

本稿では、3次元オブジェクトの木構造的構成的階層を明示的にモデル化するため、点群特徴を双曲空間に埋め込む新しい正則化手法HyCoReを提案する。双曲空間の曲率を活用して部品-全体の関係を表現することで、モデルネット40およびスキャンオブジェクトNNにおいて、アーキテクチャの変更を最小限に抑え、リーマン最適化を用いることで、最先端のモデルを上回る分類精度を実現する。

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.

研究の動機と目的

• 3次元点群に内在する木構造的部品-全体階層を表現するのに不適切なユークリッド空間および球面空間の限界を解消すること。
• 構成的関係を反映するように特徴埋め込みを明示的に正則化することで、教師あり点群分類の性能を向上させること。
• 従来の平坦または正の曲率を持つ空間よりも、双曲幾何が3次元データにおける階層的構造のモデル化に効果的であることを示すこと。
• 既存のアーキテクチャと互換性があり、最終分類層の変更とリーマン最適化のみを要する、即挿し可能な正則化子を提供すること。
• 測定により、双曲空間内の測地線が共通の先祖部品を通るという事実を確認し、構成的構造の出現を裏付けること。

提案手法

• 本手法は、点群分類器の最終的特徴表現を、双曲空間のポアンカレ球モデルに埋め込む。
• 本手法は、全体オブジェクトとその構成部品の間の距離が双曲空間内の測地線に沿って最小化されるようにする、新しい正則化子を適用する。
• 正則化子は、全体オブジェクトから部品への測地線が、それらの共通祖先を通過することを強制し、階層的構造を強化する。
• 本手法は、曲率に起因する表現能力を維持するため、双曲空間でネットワークを訓練するためにリーマン最適化を用いる。
• 本手法はアーキテクチャに依存せず、最終分類層を双曲線的線形層に置き換えることで、任意の点群モデルに適用可能である。
• 双曲空間の曲率は、学習可能なまたは固定された曲率パラメータで制御され、アブレーション実験により、高い曲率で最適な性能が得られることを示している。

実験結果

リサーチクエスチョン

• RQ1 ユークリッド空間および球面空間が捉えきれない3次元点群の木構造的構成的階層を、双曲空間が効果的に表現できるか？
• RQ2 双曲空間で特徴埋め込みを正則化することで、点群分類における一般化性能と耐性が向上するか？
• RQ3 双曲空間内の測地線を用いて、推論段階で部品-全体関係の出現を検証できるか？
• RQ4 双曲空間における曲率の選択が、正則化モデルの性能に与える影響は何か？
• RQ5 本手法は、アーキテクチャの大幅な見直しを伴わずに、既存の最先端アーキテクチャに適用可能であり、異なるデータセットで性能向上を示すか？

主な発見

• HyCoReは、ModelNet40およびScanObjectNNの両方で最先端の性能を達成し、以前の最高結果を上回っている。
• ModelNet40では、非常にスパースな点群を分類する際、DGCNNの精度が最大20ポイント向上した。
• 本手法は、部分的またはサブサンプリングされた入力に対しても優れた耐性を示し、空間的に連続する小さな部分からも正しくオブジェクトを同定できる。
• 複雑さが増すにつれて、組み合わせ部品の双曲ノルムが増加し、全体オブジェクトが最も高いノルム（境界に最も近い）に達することが確認され、階層的構造が裏付けられた。
• アブレーション実験により、両正則化子の組み合わせが最良の性能をもたらし、特に高い曲率（例：c=1）が非常に低い曲率を上回ることが示された。
• 全体オブジェクトとその部品の間の測地線は、一貫して共有の先祖部品を通るため、構成的推論の出現が検証された。