최근 robotics와 자율주행 등에서 3D point cloud이 활발히 사용되고 있지만, 3D point clouds dataset을 만들기 위해서는 많은 노력이 필요하다고 합니다. 특히 model collection이나 annotation의 경우 많은 사람의 노력을 필요로 한다고 합니다. 본 논문은 이러한 문제를 해력하기 위해 Point cloud fractal database를 제시합니다. 제안된 방법을 사용한 경우 point cloud classification이나 detection 모두 성능이 좋았다고 합니다.

1. Introduction

Point Cloud dataset을 만들기 위해서 기존에는 CAD를 이용하거나 LiDAR 스캔 방법을 이용하였습니다. Annotation 역시 사람에 의해 되기 떄문에 데이터가 매우 제한적이었고, 이로 인해 over-fitting과 같은 문제가 발생하였습니다.

Human annotation problem을 해결하기 위한 기존의 연구로는 Self-Supervised Learning이 제안되었고, PointContrast가 제안된 이후에, 3D object Detection에 활발히 사용되었다고 합니다. 하지만 위 방법의 단점으로는 pre-training에 있어 backbone network와 동일한 것만 제한되었고, training dataset도 point cloud의 scale에 의존적이라고 합니다.

저자들은 수학적 formula 기반의 formula-driven supervised learning을 이용하는 방법을 제시하였습니다. Fractcal geometry는 self-similarity와 non-integer dimension이라는 근본적 성질이 있고, 저자는 이 특성들이 CAD로는 표현할 수 없는 3D strucuture을 잘 생성할 수 있다고 생각한다 합니다. Fractar geometry를 real-world의 background가 되면서 real-world를 닮은 3D models을 만들기 수월하다고 합니다.