既存の陶製遺物の表現学習方法は、大量のラベル付きデータを基にした教師あり学習方法に依存しており、手動ラベリングは時間と労力を要し、点群の内在構造情報を効果的に学習できない問題がある。本稿では、局所－全体の双方向推論に基づく教師なし表現学習方法を提案する。まず、多尺度のシェル畳み込み階層構造エンコーダーを提案し、異なるスケールの遺物断片の局所特徴を抽出する。次に、局所から全体への推論モジュールを用いて抽出した局所特徴を全体特徴にマッピングし、度量学習により両者の差異を評価し反復的に学習する。続いて、全体から局所への推論モジュールを用いて得られた全体特徴の品質を保証する。最後に、異なる階層の局所構造と全体形状間で双方向推論を行い遺物点群の表現を学習し、学習した点群表現を分類の下流タスクに適用する。本ネットワークモデルは兵馬俑データセットおよび公開データセット ModelNet40 における分類精度がそれぞれ93.33％および92.02％に達し、PointNetをそれぞれ4.4％および2.82％上回った。また、下流の分類タスクにおける教師なし学習と教師あり学習の差を縮小した。

教師なし表現学習;多尺度;深層学習;点群分類;遺物バーチャルリペア