Python を使った 3D データサイエンス

第12章. 3Dマシン学習：クラスタリング

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データから意味を抽出することは単純なオブジェクトではない。我々は、幾何学的な詳細が豊富な膨大なデータセットから、高レベルのタスクに必要な意味理解（第1章）を抽出することから始める。最初の課題は、ロボット工学、自律航法、シーン理解など、複数の分野にわたる3Dマシン学習の可能性を制約する、生データとユーザビリティの間の格差である。

実際、我々は画像やテキストモダリティの教師ありモデルを学習するための膨大なアクセス可能なコーパスの利点に恵まれているが、3Dオープンアクセス可能なラベル付きデータセットは稀である。固有のラベルがないため、、教師あり学習メソッドは困難であり、大規模に実装するにはコストがかかりすぎる。

コストと手間のかかる人間のラベリングに過度に依存することなく、このギャップを埋めるメソッドが求められている。これは、マシンが自律的に3Dデータ内の本質的な構造を識別できるようにするというアイデアにつながる。これによって効率性が向上し、多くの難題に対処できるようになる。 、クラスタリング・アルゴリズム（図12-1参照）による教師なし学習の力を使って、これを実現する方法を教えたい。

この章では、教師なし学習メカニズムによるクラスタリングに焦点を当てる。第6章と第7章は次元削減ソリューションを提供し、第8章と第9章は回帰テクニックの使用を紹介し、第14章、第15章、第16章は分類アプローチを深く掘り下げている。

図12-1. 3Dマシン学習における 教師あり学習と 教師なし学習の主な違い

これらのメソッドは、類似するデータ点をその固有の特性（形状や属性）に従って分類することを容易にし、自動的なオブジェクト検出、シーン理解、その後の意味的な拡張を可能にする。

注

物事の本質を理解することは美しい。これは生涯学習者としての私たちに共通する特徴だ。3Dデータ・サイエンスのような特定の分野で知識を広げることは、通常、目標を持って始める旅だが、それが木の枝のように新たな旅を誘発する。これが創造性と革新の引き金となり、（とりわけ）技術的な進化を推し進める。だからこそ、私はこの章で皆さんと分かち合うことに非常に投資し、特に興奮しているのだ。3Dシーンの理解に一歩ずつ近づいていこう。しかし、戻れない地点に特化してしまうほど近づくことはない。

私たちの3D世界を、その物理的な構造を超えて理解し、さまざまな構成要素の基本的な意味のようなものを抽出しよう。3Dジオメトリの領域と意味論への最初のアプローチを融合させよう。1つの目的は、アプリケーション間で一般化できるシーン内のオブジェクトの「概念化」を達成しようとすることだ。

クラスタリングモデルによる教師なし学習は、これを実現する上で重要な役割を果たす。3Dクラスタリングアプローチは、3次元モデル（点群など）を複数のクラスタまたは領域に分割し、それぞれが異なるオブジェクトまたは部分を表すことを目的としている。事前にラベル付けされた学習データを必要としないメソッドをベースにしているため、教師なしである。目標は、位置、色、強度、幾何学的特性などの特徴に基づいて、類似したユニットをグループ化することである。 ...