Advancements in Point Cloud Data Augmentation for Deep Learning: A Survey

要約

点群は、自動運転、マッピング、ナビゲーション、シーンの再構成、医療画像処理などの分野で幅広い用途に使用できます。
これらのアプリケーションにおける大きな可能性により、点群処理はコンピュータ ビジョンの分野で大きな注目を集めています。
さまざまな点群処理技術の中でも、ディープ ラーニング (DL) は、検出、セグメンテーション、分類などのタスクに有効な主流の方法の 1 つとなっています。
特にトレーニング データの量や多様性が制限されている場合、DL モデルのトレーニング中の過剰適合を軽減し、モデルのパフォーマンスを向上させるには、多くの場合、拡張が重要です。
さまざまな点群データ拡張手法がさまざまな点群処理タスクで広く使用されていますが、現在、これらの手法に関する体系的な調査やレビューは公開されていません。
したがって、この記事では、これらの方法を調査および議論し、それらを分類の枠組みに分類します。
この記事では、拡張手法の包括的な評価と比較を通じて、その可能性と限界を特定し、将来の研究の方向性を示唆します。
この研究は、研究者が点群データ拡張の現状を全体的に理解し、その広範な応用と開発を促進するのに役立ちます。

要約(オリジナル)

Point cloud has a wide range of applications in areas such as autonomous driving, mapping, navigation, scene reconstruction, and medical imaging. Due to its great potentials in these applications, point cloud processing has gained great attention in the field of computer vision. Among various point cloud processing techniques, deep learning (DL) has become one of the mainstream and effective methods for tasks such as detection, segmentation and classification. To reduce overfitting during training DL models and improve model performance especially when the amount and/or diversity of training data are limited, augmentation is often crucial. Although various point cloud data augmentation methods have been widely used in different point cloud processing tasks, there are currently no published systematic surveys or reviews of these methods. Therefore, this article surveys and discusses these methods and categorizes them into a taxonomy framework. Through the comprehensive evaluation and comparison of the augmentation methods, this article identifies their potentials and limitations and suggests possible future research directions. This work helps researchers gain a holistic understanding of the current status of point cloud data augmentation and promotes its wider application and development.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google