教師なしで学ぶ汎用型3次元形状特徴量の開発と，少数派3次元形状の解析への応用

点击翻译按钮获取中文摘要

本研究のねらいは，製造・医療・建築・防災等の幅広い分野で利用される多種多様な3次元形状データを効果的に解析（例：分類，比較，検索，領域分割，再構成，位置合わせ）することである．従来の教師あり深層学習による3次元形状解析は，人手によりラベル付けされた形状データが多数必要となるため，実用面で制限があった．本研究課題では，ラベル付けされたデータが不要である教師なし深層学習の枠組みで，幅広い形状種の解析に使える「汎用型」の3次元形状特徴量を獲得する技術の確立を目指す．2年目の研究実績は主に2つある．1つ目は，1年目に実施した研究の論文発表である．3次元形状データ（特に3次元点群データ）の検索または再構成に焦点を当てた2編の論文について，いずれも査読付きの国際学術論文誌に採録された．2つ目は，物体の回転に影響されない形状特徴量の教師なし深層学習に焦点を当てた研究の実施である．3次元物体とスキャナの姿勢や形状モデリングソフトウェアに依存して，3次元点群の向きは不揃いとなる．物体の向きに依らず3次元点群データを高精度に解析できることは，汎用型の3次元形状特徴量にとって必須の性質である．そこで我々は，回転不変性を持つ深層ニューラルネットワークと，これを自己蒸留の枠組みで効果的に訓練する手法を開発した．評価実験を通して，我々の開発した手法の解析精度が既存手法を大きく上回ることを実証した．本研究成果をまとめた論文は，国際論文誌へ投稿予定である．ここまでの研究を通して，本研究課題の目的である汎用型3次元形状特徴量の獲得にある程度近づいた．しかしながら，1年目と2年目の研究は3次元形状の比較，検索，再構成で評価を実施しており，これ以外のタスク（例：領域分割，位置合わせ）では未評価である．最終年度は，より多くのタスクで実験を実施することで，開発した3次元形状特徴量の汎用性を定量的に評価する．