[논문 리뷰] Revisiting Point Cloud Shape Classification with a Simple and Effective Baseline

Ankit Goyal, Hei Law외 3명|arXiv (Cornell University)|2021. 06. 09.

3D Shape Modeling and Analysis참고 문헌 66인용 수 59

한 줄 요약

본 논문은 평가 프로토콜 요인이 점-구름(point-cloud) 분류 성능에 크게 영향을 미친다는 것을 보여주고, SimpleView를 도입한다. 이는 제어된 프로토콜 하에서 파라미터 수가 더 적은 간단한 투영 기반 베이스라인으로 SOTA 성능에 일치하거나 이를 능가한다.

ABSTRACT

Processing point cloud data is an important component of many real-world systems. As such, a wide variety of point-based approaches have been proposed, reporting steady benchmark improvements over time. We study the key ingredients of this progress and uncover two critical results. First, we find that auxiliary factors like different evaluation schemes, data augmentation strategies, and loss functions, which are independent of the model architecture, make a large difference in performance. The differences are large enough that they obscure the effect of architecture. When these factors are controlled for, PointNet++, a relatively older network, performs competitively with recent methods. Second, a very simple projection-based method, which we refer to as SimpleView, performs surprisingly well. It achieves on par or better results than sophisticated state-of-the-art methods on ModelNet40 while being half the size of PointNet++. It also outperforms state-of-the-art methods on ScanObjectNN, a real-world point cloud benchmark, and demonstrates better cross-dataset generalization. Code is available at https://github.com/princeton-vl/SimpleView.

연구 동기 및 목표

• 프로토콜 요인(평가 방식, 데이터 증강, 손실)이 아키텍처와 무관하게 점-구름 분류 성능에 미치는 영향을 평가한다.
• 제어된 프로토콜 하에서 일반적인 아키텍처(PointNet, PointNet++, DGCNN, RSCNN)을 재평가한다.
• 간단한 투영 기반 베이스라인인 SimpleView를 도입하고 평가한다.
• ModelNet40과 실제 세계의 ScanObjectNN에서 SimpleView의 성능과 데이터 간 일반화 성능을 입증한다.

제안 방법

• 아키텍처를 증강 및 손실 함수와 같은 제어 가능한 요소로부터 분리하는 프로토콜 프레임워크를 정의하고 분석한다.
• 표준화된 프로토콜 하에서 PointNet, PointNet++, DGCNN, RSCNN을 재현하고 비교한다.
• 3D 포인트를 정교도 지도(depth maps)로 변환하고 가벼운 CNN(ResNet18/4)으로 처리하는 투영 기반 베이스라인 SimpleView를 구현한다.
• 공정한 비교를 위해 객체당 고정 1024 포인트 사용, ImageNet 프리트레이닝 비활용, 앙상블 예측 비활용.
• 시야 수, 투영 유형(원근/정사영), 깊이 계산(min vs 가중 평균), 특징 융합(concat vs pooling)에 대한 차등 효과를 분석한다.
• ModelNet40 및 ScanObjectNN에서 실험을 수행하고 교차 데이터셋 전이 테스트를 포함한다.

실험 결과

연구 질문

• RQ1 프로토콜 선택(증강, 손실, 평가 프로토콜)이 점-구름 분류 방법에서 보고된 성능에 얼마나 영향을 미치는가?
• RQ2 프로토콜을 제어했을 때 단순 투영 기반 베이스라인이 최첨단 점 기반 네트워크와 같거나 더 우수한가?
• RQ3 ModelNet40과 실제 세계의 ScanObjectNN에서 SimpleView의 성능은 어떠하며 데이터 간 일반화가 가능한가?

주요 결과

• 프로토콜 선택이 큰 성능 차이를 설명하며 아키텍처의 이점을 가린다.
• 프로토콜을 제어할 때 PointNet++가 최신 아키텍처와 경쟁한다.
• SimpleView는 ModelNet40에서 최첨단 방법과 동등하거나 더 나은 성능을 보이고 ScanObjectNN에서 이를 능가한다.
• SimpleView는 경쟁 네트워크보다 적은 파라미터를 사용하고 ImageNet 프리트레이닝에 의존하지 않는다.
• SimpleView는 이전 방법들에 비해 데이터 간 일반화가 더 잘 나타난다.