Point cloud is an important data type for 3D representation of objects because it is the raw output of sensors e.g. Lidar and depth sensor etc. It is cheap to obtain and store but difficult to process due to its unstructured and permutation invariant nature. This research presents new point cloud processing techniques using deep learning based methods. A new architecture has been proposed which is named RL-GAN-Net. RL-GAN-Net is a reinforcement learning agent controlled GAN network designed specifically for the task of shape completion and classification for the incomplete point cloud. The primary benefit of this architecture is that it is robust, real-time and modular. Besides, this research also addresses the problem of point cloud reconstruction by improving the performance of a capsules network based auto-encoder. This is achieved by introducing a channel attention mechanism in the capsule layer. All findings have been verified through extensive experimentation.
포인트 클라우드는 전처리 과정을 거치지 않은 센서 값으로 3D 개체를 나타내는 중요한 데이터 유형 중 하나이다. 데이터 확보 및 저장은 용이하지만 구조화되지 않은 퍼머션 불변성성 때문에 데이터 처리가 어렵다. 본 연구에서는 심층 학습 방법에 이용하여 새로운 포인트 클라우드 처리 기법, RL-GAN-Net 아키텍처를 제안하였다. RL-GAN-Net은 불완전한 포인트 클라우드의 형상 완성 및 분류 작업을 위해 특별히 설계된 강화 학습 에이전트 제어 GAN 네트워크이다. 이 아키텍처의 주된 장점은 다양한 인풋에도 안정적인 결과 도출이 가능하고, 실시간 처리와 모듈화가 되어 있다는 점이다. 또한, 본 연구는 캡슐 네트워크 기반의 캡슐 레이어에 channel attention 메커니즘을 도입하여 자동 인코더의 성능을 향상시킴으로써 포인트 클라우드 재구성의 문제도 해결하였다. 광범위한 실험을 통해 새로 제안하는 아키테쳐 성능을 검증하였다.
