Python を使った 3D データサイエンス

第6章 点群データ工学 点群データ工学

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

、3D、特に点群データエンジニアリングの複雑さを明らかにする時が来た。点群は3Dジオメトリを豊富に表現しているが、意味のある情報を抽出するには、ノイズや冗長性に対処し、関連するパターンを見分けるための特殊化テクニックが必要だ。生の点群データを洗練された形に変換し、3D形状検出（第9章）、分類（第15章）、オブジェクト検出（第16章）などの下流タスクのパフォーマンスを向上させる本質的な特徴を抽出する方法が必要だ。基本単位はデータである。最終的なアプリケーションのために、より意味のあるものに改良したい。

簡単な例を考えてみよう。脳のMRIスキャン（脳の2Dスライスの選択）を解析して、特定のゾーンが腫瘍の潜在的脅威にさらされているかどうかを特定したいとする。データセットを構成する画像セットを、熟練した神経外科医に直接渡すことができる。最初の画像をインタプリタし、さまざまなスライスでこの予測を繰り返し、診断と分析を行うのは、彼の専門知識にかかっている。このため、データの品質には高い責任が伴う。ノイズが多かったり（例えば、データを取り込んでいる間に患者が動いたりした場合）、色の範囲が較正されていなかったりすると、解釈の質が極端に低下する可能性がある。

しかし、データ工学を少し取り入れるとしよう。その場合、初期化されたチャンネルを弄るだけで、解釈ステップに入ることなく、ノイズを除去し、データの特定のエッジや部分を強調することができるかもしれない。私たちはデータエンジニアリングのステップでこれを行うことを目指している。下流工程を可能な限り最高の条件付きで行えるようにしたいのだ。しかし、何の脈絡もなく、特にデータエンジニアリングを適用する3Dジオメトリを明確にしなければ、データエンジニアリングが何を達成するのに役立つのか、その全容を把握するのは難しいかもしれない。

この章では、3D点群データエンジニアリングを対象とする。点群には、一元的に処理し理解するのに適した、壮大で標準的な特性があることを前述した。その後、ワークフロー内の他のデータモダリティに中間処理結果をプッシュアウトすることができる。3D点群から始めることで、3Dデータエンジニアリングパイプラインを理解し、構築することが容易になり、より堅牢性の高い下降プロセスを推進することができるのはこのためだ。

本講演では、点群データエンジニアリングの基礎を、重要な特徴抽出のステップに焦点を当てて解説する。点群の本質的な幾何学的特性を捉えた、意味のある冗長でない特徴を導き出す方法を学ぶ。また、図6-1に示すように、プリンシパル分析（PCA）や3Dデータレジストレーションなど、3D前処理に不可欠な段階を強調することができる。

図6-1. 点群データエンジニアリングワークフローの4つのコアステップ

注

この章のすべてのリソースは3D DataScienceResource Hubで発見できる。ベースリンクを使い、"/chapter-X"を追加することで、ファイル（コード、データセット、論文）やリソースにアクセスすることができる。電子メールアドレス、個人パスワード、またはあなたがこの本の所有者であることを証明するものを共有する必要があるかもしれないことに注意すること。 ...