自然の形成原理に基づく3D姿勢ラベル付きデータセット自動構築の提案

点击翻译按钮获取中文摘要

2022年度は、実世界の法則であるパーリンノイズに焦点をあて、三次元物体認識における事前学習用データセットPoint Cloud Perlin Noise (PCPN)の自動構築に成功した。具体的には、二次元平面上に2次元パーリンノイズを生成し、各座標の値を三次元空間上に配置することで3Dパーリンノイズを生成する。PCPNは3Dパーリンノイズ生成時に必要となるパラメータ（例えば、振動数や振幅）を変動させることで多種多様な幾何形状パターンを自動生成できる。最近、三次元点群による三次元物体認識では数万サンプルの学習データを学習した事前学習モデルが活用されているが、画像認識等の他の認識タスクと比較して3Dデータセットの大規模化は遅れている。これは、3Dセンサを使用して実環境から大量の3Dデータを収集することが多大な労力を要するためであると考えられる。一方で、PCPNは理論的には無限に数式から完全自動で3Dデータを生成できる。そのため、実データではないものの、従来より大規模かつ高速に事前学習用3Dデータセットを構築可能である。実際、PCPNを利用した事前学習モデルは、三次元物体認識における基本的なタスク（三次元形状分類、物体分割）において従来の事前学習モデルよりも高精度に認識することを確認した。本成果は、International Workshop on Frontiers of Computer Vision (IW-FCV) 2023にて口頭発表に採択された。