꿈꾸는 개발자

논문 제목 : KPConv : Flexible and Deformable Convolution for Point Clouds Introduction Kernel Point Convolution(KPConv)라는 point convolution 연산을 제안 KPConv는 3D filter로 이루어져있고, 이전 point convolution들의 한계점(네트워크 수렴의 어려움, 복잡성)을 극복 Euclidean space 상에서 kernel point와 가장 가까운 입력 포인트와 연산을 통해 특징을 추출함으로써 grid convolution보다 뛰어난 유연성을 갖고 있음 rigid KPConv와 rigid KPConv에 deformable을 추가한 deformable KPConv를 제안 rigid KPCon..

논문 제목 : Dynamic Graph CNN for Learning on Point Clouds Introduction point clouds의 high-level task를 CNN 기반의 EdgeConv라는 neural network module로 classification과 segmentation을 수행하는 DGCNN 모델을 제안 EdgeConv는 포인트와 그 포인트의 이웃간 관계를 설명하는 edge feature를 생성하는 모듈로 미분 가능하고 기존에 존재하는 아키텍쳐에 추가할 수 있음 OUR APPROACH DGCNN은 Edge 정보를 활용한 CNN과 비슷한 연산으로 특징을 추출하는 방식 DGCNN에서 주요 모듈로 EdgeConv가 존재하고, 이는 포인트와 인접한 포인트 간의 관계를 Edge로 ..

PointNet++ : Deep Hierarchical Feature Learning on Point Sets in a Metric Space Introduction PointNet은 각 포인트에 대해 특징을 추출하고 특징들을 모아 global feature를 생성하는데 이는 metric으로부터 유도된 local feature는 얻지 못한다는 한계점이 있어 이를 해결하기 위해 CNN과 비슷한 컨셉의 local feature를 학습할 수 있는 hierarchical neural network를 제안 PointNet++에서 두 가지 이슈를 다룸 어떻게 Point Cloud를 local region으로 나눌 것인가 Euclidean space 에서 Neighborhood ball 구조로 local region..

PointNet : Deep Learning on Point Sets for 3D Classification and Segmentation 논문을 보기 앞서 Point Cloud 데이터에 대한 특성을 알 필요가 있다. Point Cloud 데이터는 unordered(순서가 정해져있지 않음)하고 강체 운동에 불변하다. 이는 각 점들의 입력 순서를 변경하더라도 3D 객체나 형태가 변하지 않고 Point Cloud에 Transformation을 적용해도 3D 객체나 형태가 변하지 않는다는 것을 의미한다. 이러한 Point Cloud 특성을 반영해 논문에서는 permutation invariance 라는 단어를 사용하는데, 이는 Point Cloud의 점들이 어떤 순서로 입력되든지 간에 일관된 결과를 도출한다는..