点群分析のための関係形状畳み込みニューラルネットワーク

点群分析は、形状が不規則な点で表現されるため難易度が高い。本研究では、RS-CNN（関係形状畳み込みニューラルネットワーク）を提案し、通常のグリッドCNNを不規則な構成に拡張する。このモデルの鍵は、点間の幾何学的トポロジー制約から学ぶことであり、局所点集合に対する畳み込み重みが事前に定義された幾何学的情報を基に関係を抽出できるよう強制される。これにより、点の空間配置に関する明示的な推論を伴った誘導的な局所表現が得られ、形状認識能力とロバスト性が向上する。RS-CNNを基本オペレーターとして用いた階層アーキテクチャにより、コンテクスチュアルな形状認識学習が実現される。実験結果は、RS-CNNが三つのタスクにおいて最新の成果を上回ることを確認している。