敵対的生成ネットワークを用いた3次元点群形状特徴量の教師なし学習

• Item type: Journal(1)
• 公開日: 2019-07-15
• タイトル: 敵対的生成ネットワークを用いた3次元点群形状特徴量の教師なし学習
• タイトル / 言語: en
• タイトル: Unsupervised Representation Learning for 3D Point Set by Using Generative Adversarial Neural Network
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文（特選論文）] 3次元形状特徴量，3次元点群，教師なし学習，敵対的生成ネットワーク，3次元形状類似検索
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 山梨大学
• 著者所属: 山梨大学
• 著者所属: 山梨大学
• 著者所属(英): en
• 著者所属(英): University of Yamanashi
• 著者所属(英): en
• 著者所属(英): University of Yamanashi
• 著者所属(英): en
• 著者所属(英): University of Yamanashi
• 著者名: 上西, 和樹; 古屋, 貴彦; 大渕, 竜太郎
• 著者名(英): Kazuki, Uenishi; Takahiko, Furuya; Ryutarou, Ohbuchi
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 効率的な管理を目的に，形の類似性に基づいて3次元形状データを比較，検索，分類する手法への要求が高まっている．近年提案された深層ニューラルネットワーク（DNN）による3次元形状処理手法の多くは，3次元形状とこれに付与されたラベルの対応を教師付き学習して高精度な形状特徴量を獲得する．しかし現存する3次元形状データの多くはラベルを持たない．人手によるラベル付けの手間が大きいためである．そこで，ラベルなしの3次元形状データから高精度な形状特徴量を獲得する手法が望まれる．本研究では，教師なし学習の一種である敵対的生成ネットワーク（GAN）を用いた，点群を対象とする3次元形状特徴量を提案する．提案手法である点群GANでは，3次元点群を生成するDNN（生成DNN）と，3次元点群の本物らしさを予測するDNN（判別DNN）とを互いに競わせながら訓練する．その訓練の過程で，3次元点群の形状特徴量を抽出する能力を判別DNNが獲得する．3次元モデルの形状類似検索のシナリオで評価した結果，判別DNNで得た形状特徴量は，既存の手作り形状特徴量よりも高精度に3次元形状を比較できることが分かった．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Shape similarity-based indexing, retrieval, and classification of 3D shapes are essential for efficient management of 3D shape data. Recently proposed deep neural networks (DNNs) tailored to 3D shapes, e.g., 3D point sets, learn accurate 3D shape feature representation by associating 3D shapes with semantic labels attached to them. However, in practice, majority 3D shapes are left unlabeled due to cost of annotation. Thus, unsupervised approaches to learn 3D shape features from unlabeled 3D shapes are desired. This paper proposes an unsupervised representation learning algorithm that utilizes Generative Adversarial Network (GAN) to obtain descriptors of 3D shapes defined as point sets. Proposed Point Set GAN, which consists of a generator DNN and a discriminator DNN, is adversarially trained. The generator is trained so that it yields realistic 3D point sets, while the discriminator is trained to distinguish “fake” point sets produced by the generator from “real” ones. After the training, the discriminator DNN is to compute shape descriptor. Experimental evaluation under shape-based 3D model retrieval scenario demonstrates that 3D shape feature learned by proposed Point Set GAN outperforms existing handcrafted 3D shape features.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 60, 号 7, p. 1315-1324, 発行日 2019-07-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764