3Dポイントクラウドモデルのコンテキスト情報を正確に捉え、セグメンテーションの精度を向上させるために、モデル類似性を利用した3Dモデルクラスタの協調セグメンテーション手法を提案する。まず、ポイントクラウドモデルに対して最遠点サンプリングを実施して重心点を得て、球内でランダムに近傍点を選択し球状近傍を構築する。次に、特徴集約演算子を用いて3Dポイント間の幾何学的トポロジー関係を符号化し、各近傍間の関連特徴を抽出し、各球状近傍の重心座標を用いて空間類似度行列を構築する。空間類似度行列によってエンコーダーネットワークが抽出したモデルの局所特徴を加重和し、3Dモデルの協調解析を完了する。最後に、階層的特徴抽出ネットワークを構築し、加重処理された関連特徴をデコードしてモデルクラスタの協調セグメンテーションタスクを完遂する。実験結果から、本アルゴリズムはShapeNet Partデータセットにおいて協調セグメンテーションの精度が86.0%に達したことを示す。kNNアルゴリズムと比較して、球内ランダム選択法を近傍点サンプリング戦略として用いることでネットワークのセグメンテーション精度が0.8%向上した。共有多層パーセプトロンを用いて特徴抽出を行う方法と比較し、特徴集約演算子を用いた畳み込み処理はネットワークのセグメンテーション精度を12.9%向上させる。現在主流のモデルセグメンテーションアルゴリズムと比較して、本アルゴリズムはセグメンテーション精度のさらなる向上を実現した。

協調セグメンテーション;特徴集約演算子;空間類似度行列;モデルクラスタ;階層型エンコーダーデコーダ