Learning task-specific features for 3D pointcloud graph creation

要約

ディープラーニングの手法で3D点群を処理することは、簡単なことではありません。一般的な選択は、グラフニューラルネットワークで行うことですが、このフレームワークは、ポイント間にエッジを作成することを含み、ポイント間は明示的に関連していません。歴史的には、k Nearest Neighbors (k-NN) や query ball point over xyz features などのナイーブで手作りの方法が提案されており、グラフの改良よりもネットワークの改良に注目が集まっている。本研究では、3次元点群からグラフを作成するための、より原理的な方法を提案する。本手法は、入力3次元点群の変換に対してk-NNを実行することに基づいている。この変換は、学習可能なパラメータを持つマルチレイターパーセプトロン（MLP）によって行われ、ネットワークの残りの部分と共同でバックプロパゲーションによって最適化される。また、ストレス最小化に基づく正則化手法を導入し、学習したグラフがベースライン（xyz空間上のk-NN）からどの程度離れているかを制御することができるようにした。このフレームワークをModelNet40でテストしたところ、我々のネットワークによって生成されたグラフはベースラインより0.3ポイント高い総合的な精度を達成した。

要約(オリジナル)

Processing 3D pointclouds with Deep Learning methods is not an easy task. A common choice is to do so with Graph Neural Networks, but this framework involves the creation of edges between points, which are explicitly not related between them. Historically, naive and handcrafted methods like k Nearest Neighbors (k-NN) or query ball point over xyz features have been proposed, focusing more attention on improving the network than improving the graph. In this work, we propose a more principled way of creating a graph from a 3D pointcloud. Our method is based on performing k-NN over a transformation of the input 3D pointcloud. This transformation is done by an Multi-Later Perceptron (MLP) with learnable parameters that is optimized through backpropagation jointly with the rest of the network. We also introduce a regularization method based on stress minimization, which allows to control how distant is the learnt graph from our baseline: k-NN over xyz space. This framework is tested on ModelNet40, where graphs generated by our network outperformed the baseline by 0.3 points in overall accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL