Kernekoncepter
点群データ拡張は、ディープラーニングモデルの過学習を軽減し、特に訓練データが限定的な場合のモデルパフォーマンスを向上させるために重要である。本論文は、点群データ拡張の最新手法を包括的に調査し、基本的な手法と専門的な手法に分類した上で、それぞれの特徴と適用シナリオを明らかにする。
Resumé
本論文は、ディープラーニングを用いた点群データ処理タスクにおける点群データ拡張手法の包括的な調査を行っている。
- 序論
- ディープラーニングは点群データの検出、セグメンテーション、分類などの主要な手法の1つとなっている。
- 訓練データの量や多様性が限定的な場合、過学習を軽減し、モデルパフォーマンスを向上させるために、データ拡張が重要となる。
- 点群データ拡張手法は多様に提案されているが、体系的な調査がなされていない。
- 基本的な点群データ拡張手法
- アフィン変換(平行移動、回転、スケーリング、反転)
- ドロップ(ランダムまたは選択的な点の削除)
- ジッタリング(点の位置にわずかなノイズを付与)
- GT-サンプリング(同一データセット内の物体インスタンスを追加)
- グローバルとローカルの拡張手法
- 専門的な点群データ拡張手法
- ミックスアップ(2つの点群データを混合)
- ドメイン拡張(環境、センサ特性の違いを模擬)
- 敵対的変形(滑らかな形状変形)
- アップサンプリング(低解像度データから高解像度データを生成)
- コンプリーション(欠損部分を補完)
- 生成(新規の点群データを生成)
- 考察
- 基本的手法と専門的手法の適用シナリオ
- 現状の課題と今後の研究方向性