#14
summarized by : Naoya Chiba
Meta-Sampler: Almost-Universal yet Task-Oriented Sampling for Point Clouds

どんな論文か?

三次元点群のサンプリングを学習可能にして,タスクに応じたサンプリング・様々なタスクに利用できるサンプリングを獲得するMetaSamplerの提案.SampleNetの提案した,タスク学習時に同時にサンプリングを学習するアプローチでは未知の点群での性能が悪いことを指摘し,複数の学習済みモデルを用いてサンプリング部分だけを事前学習・ファインチューンすることでこの問題を解決できることを示した.
placeholder

新規性

点群サンプリング部分にメタ学習を取り込み汎化性能の向上・有効な事前学習の実現を図った点が新規.Samplerの出力した点群が入力点群と一致しているかと各タスクでのロス関数だけを考慮するのではなく,同一タスクの場合はSplitを変えた複数のモデル・複数タスクであればそれぞれのタスクで学習しておく.

結果

ModelNet40を用いてPointNetによるクラス分類,PCNによる全周点群補完,Shiamese PointNetを用いた回転・並進にロバストなShape Retrievalで検証し,単一タスクで学習した場合とマルチタスクで学習してから各タスクにファインチューンした場合を検証し性能向上を確認.さらにSamplerを別のネットワーク(PointNet++)に適用しても性能が向上した.

その他(なぜ通ったか?等)