特許ウォッチ

公開番号2024175366
公報種別公開特許公報(A)
公開日2024-12-18
出願番号2023093101
出願日2023-06-06
発明の名称点群選択装置、点群選択方法及びプログラム
出願人KDDI株式会社
代理人フェリシテ弁理士法人
主分類G06T 17/00 20060101AFI20241211BHJP(計算;計数)
要約【課題】物体の表面の復元において高い復元精度を実現可能なモデルを生成すること。
【解決手段】本発明に係る点群選択装置100は、点群から関心点を選択する関心点選択部12と、点群から特徴を抽出する特徴抽出部14と、特徴から関心点に関する特徴を生成する特徴生成部16と、関心点に関する特徴に基づいて点群から一部の点を選択する点群選択部18とを有する。
【選択図】図1
特許請求の範囲【請求項１】
点群選択装置であって、
点群から関心点を選択する関心点選択部と、
前記点群から特徴を抽出する特徴抽出部と、
前記特徴から前記関心点に関する特徴を生成する特徴生成部と、
前記関心点に関する特徴に基づいて前記点群から一部の点を選択する点群選択部と、を有することを特徴とする点群選択装置。
続きを表示（約 1,100 文字）【請求項２】
前記関心点から前記点群の各点までの距離に応じた重みを計算する距離重み計算部と、
前記重みと前記特徴とから重み付き特徴を計算する重み付き特徴計算部と、を有し、
前記特徴生成部は、前記特徴と前記重み付き特徴とを結合することで、前記関心点に関する特徴を生成することを特徴とする請求項１に記載の点群選択装置。
【請求項３】
前記関心点に関する特徴から選択確率を予測する確率予測部を更に有し、
前記点群選択部は、前記選択確率を用いて、前記点群から一部の点を選択することを特徴とする請求項１に記載の点群選択装置。
【請求項４】
前記点群から分割された点群を生成する点群分割部と、
前記分割された点群から個別に選択した点群の和集合を取ることで選択された点群を構築する選択点群構築部と、
前記選択された点群を用いて、物体の表面の復元を行う表面復元部と、を有することを特徴とする請求項１に記載の点群選択装置。
【請求項５】
前記点群分割部は、前記点群からの反復的な点の選択によって、前記分割された点群を生成することを特徴とする請求項４に記載の点群選択装置。
【請求項６】
前記関心点に関する特徴から選択確率を予測する確率予測部と、
前記確率予測部で予測された前記選択確率、前記点群選択部で選択された前記一部の点、前記関心点選択部で選択された関心点、及び、前記表面復元部で復元された情報の少なくとも一部を用いて損失を計算して、モデルを訓練するモデル訓練部と、を有することを特徴とする請求項４に記載の点群選択装置。
【請求項７】
前記モデル訓練部は、前記モデルとして、点群の選択のためのモデル及び物体の表面の復元のためのモデルを併用することを特徴とする請求項６に記載の点群選択装置。
【請求項８】
前記モデル訓練部は、前記点群の選択のためのモデル及び前記物体の表面の復元のためのモデルを、同時又は交互に最適化することを特徴とする請求項７に記載の点群選択装置。
【請求項９】
前記モデル訓練部は、前記点群選択のためのモデル及び前記物体の表面の復元のためのモデルの両方又は一方のみを最適化することを特徴とする請求項７に記載の点群選択装置。
【請求項１０】
初期点群選択部を更に有し、
前記関心点選択部及び前記特徴抽出部に入力される前記点群は、前記初期点によって任意の選択方法で選択された点群であることを特徴とする請求項１に記載の点群選択装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、点群選択装置、点群選択方法及びプログラムに関する。
続きを表示（約 1,500 文字）【背景技術】
【０００２】
従来から、ＩＮＲ（ＩｍｐｌｉｃｉｔＮｅｕｒａｌＲｅｐｒｅｓｅｎｔａｔｉｏｎ）に基づく深層学習モデルを用いて点群から物体の表面を復元する技術が知られている（例えば、非特許文献１参照）。かかる技術では、通常、入力点群の密度が高いほど、物体の表面を高精度に復元することができる。
【０００３】
ただし、上述の深層学習モデルの訓練時と推論時とで、入力点群の密度が異なる場合、データ分布の差異によって高い復元精度が得られない可能性がある。
【０００４】
そのため、上述の深層学習モデルの推論時に高密度な点群を入力とする場合、上述の深層学習モデルの訓練時にも高密度な点群を入力とすることが望ましい。
【０００５】
しかしながら、入力点群の密度を高めるほど、データ量が大きくなるため、上述の深層学習モデルの訓練時に使用するＧＰＵのメモリ制限を超過する恐れがある。
【０００６】
深層学習モデルの訓練時には、学習を安定させるためにミニバッチ学習法と呼ばれる複数のデータを一括で処理する手法が一般的に使用される。
【０００７】
また、深層学習モデルの訓練時には、誤差逆伝搬法に基づいて深層学習モデルを更新するために、目的関数に対するモデルパラメータの勾配を計算する必要がある。そのため、深層学習モデルの訓練時には、深層学習モデルの推論時に比べて、点群一つあたりに使用可能なメモリ容量が更に制限される可能性がある。
【先行技術文献】
【非特許文献】
【０００８】
A. Boulch and M. Renaud, "Poco: Point convolution for surface reconstruction," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2022
I. Lang, A. Manor, and S. Avidan, "Samplenet: Differentiable point cloud sampling," Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020.
R. A. Potamias, G. Bouritsas, and S. Zafeiriou, "Revisiting point cloud simplification: A learnable feature preserving approach," Computer Vision-ECCV 2022: 17th European Conference, Tel Aviv, Israel, October 23-27, 2022, Proceedings, Part II. Cham: Springer Nature Switzerland, 2022.
【発明の概要】
【発明が解決しようとする課題】
【０００９】
点群のデータ量を削減するための前処理として、入力点群から無作為に指定個数の点を選択するランダムサンプリング法が広く利用されている。
【００１０】
また、指定個数の点を空間的に一様に選択するＦＰＳ（ＦａｒｔｈｅｓｔＰｏｉｎｔＳａｍｐｌｉｎｇ）法も同様に広く利用されている。
（【００１１】以降は省略されています）

関連特許