CloudWalker: Random walks for 3D point cloud shape analysis

要約

点群は、3D形状を表現する方法として注目を集めていますが、その不規則な構造は、深層学習の方法に課題をもたらします。
この論文では、ランダムウォークを使用して3D形状を学習するための新しい方法であるCloudWalkerを提案します。
以前の作品は、畳み込みニューラルネットワーク（CNN）を適応させるか、グリッドまたはメッシュ構造を3D点群に課そうとしています。
この作品は、与えられたポイントセットから形状を表現し、学習するための異なるアプローチを提示します。
重要なアイデアは、3Dオブジェクトのさまざまな領域を探索するために、クラウドを複数回ランダムウォークすることによって設定されたポイントに構造を課すことです。
次に、ポイントごとおよび歩行ごとの表現を学習し、推論時に複数の歩行予測を集約します。
私たちのアプローチは、分類と検索という2つの3D形状分析タスクで最先端の結果を達成します。

要約(オリジナル)

Point clouds are gaining prominence as a method for representing 3D shapes, but their irregular structure poses a challenge for deep learning methods. In this paper we propose CloudWalker, a novel method for learning 3D shapes using random walks. Previous works attempt to adapt Convolutional Neural Networks (CNNs) or impose a grid or mesh structure to 3D point clouds. This work presents a different approach for representing and learning the shape from a given point set. The key idea is to impose structure on the point set by multiple random walks through the cloud for exploring different regions of the 3D object. Then we learn a per-point and per-walk representation and aggregate multiple walk predictions at inference. Our approach achieves state-of-the-art results for two 3D shape analysis tasks: classification and retrieval.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google