Shrinking unit: a Graph Convolution-Based Unit for CNN-like 3D Point Cloud Feature Extractors

要約

3D 点群は、高品質のオブジェクト表現と効率的な取得方法により、建築、エンジニアリング、および建設でますます注目を集めています。
その結果、分類やパーツのセグメンテーションなどの一部のワークフローを自動化するために、多くの点群特徴検出方法が文献で提案されています。
それにもかかわらず、点群自動化システムのパフォーマンスは、対応する画像に大きく遅れをとっています。
この失敗の一部は、点群の不規則性、非構造性、および無秩序に起因するため、点群の特徴検出のタスクは画像よりもはるかに困難になりますが、画像ドメインからのインスピレーションの欠如が主な原因である可能性があると主張します
このようなギャップの原因。
実際、画像の特徴検出における畳み込みニューラル ネットワーク (CNN) の圧倒的な成功を考えると、対応する点群を設計することは合理的と思われますが、提案されたアプローチのどれもそれらによく似ていません。
具体的には、多くのアプローチが点群の畳み込み操作を一般化していますが、CNN の複数機能の検出とプーリング操作をエミュレートできません。
このため、CNN のような 3D 点群特徴抽出器の設計のために、垂直方向および水平方向に積み重ねることができる、縮小ユニットと呼ばれるグラフ畳み込みベースのユニットを提案します。
ポイントクラウド内のポイント間の自己、ローカル、およびグローバル相関が重要な空間幾何学的情報を伝達することを考えると、特徴抽出プロセス中にそれらを活用します。
ModelNet-10 ベンチマーク データセットの特徴抽出モデルを設計することで提案を評価し、90.64% の分類精度を達成し、革新的なアイデアが効果的であることを実証します。
コードは github.com/albertotamajo/Shrinking-unit で入手できます。

要約(オリジナル)

3D point clouds have attracted increasing attention in architecture, engineering, and construction due to their high-quality object representation and efficient acquisition methods. Consequently, many point cloud feature detection methods have been proposed in the literature to automate some workflows, such as their classification or part segmentation. Nevertheless, the performance of point cloud automated systems significantly lags behind their image counterparts. While part of this failure stems from the irregularity, unstructuredness, and disorder of point clouds, which makes the task of point cloud feature detection significantly more challenging than the image one, we argue that a lack of inspiration from the image domain might be the primary cause of such a gap. Indeed, given the overwhelming success of Convolutional Neural Networks (CNNs) in image feature detection, it seems reasonable to design their point cloud counterparts, but none of the proposed approaches closely resembles them. Specifically, even though many approaches generalise the convolution operation in point clouds, they fail to emulate the CNNs multiple-feature detection and pooling operations. For this reason, we propose a graph convolution-based unit, dubbed Shrinking unit, that can be stacked vertically and horizontally for the design of CNN-like 3D point cloud feature extractors. Given that self, local and global correlations between points in a point cloud convey crucial spatial geometric information, we also leverage them during the feature extraction process. We evaluate our proposal by designing a feature extractor model for the ModelNet-10 benchmark dataset and achieve 90.64% classification accuracy, demonstrating that our innovative idea is effective. Our code is available at github.com/albertotamajo/Shrinking-unit.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google