ICCVMay, 2015

多视角卷积神经网络用于 3D 形状识别

PDF
TL;DR本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。
computer vision3d shape recognitioncnn architecturerendered viewsmultiple views
发现论文，激发创造
  • 使用 2D 卷积神经网络学习多层高度图的 3D 形状

    本文提出一种新颖的 3D 形状的全局表示方法，将其表示为多层高度图 (MLH)，通过使用 2D 卷积神经网络 (CNN)，能够高效地实现在输入分辨率上具有高内存效率，利用 MLH 描述符和多视角融合来实现在 ModelNet 数据集分类方面达到最先进的结果。

    Jul, 2018

  • 深入探究 3D 形状分类器

    本研究研究了 3D 形状分类的表示和架构的作用，通过变化训练示例的数量和使用跨模态迁移学习，研究了现有深度架构的初始化对 3D 形状分类的影响，结果表明，多视图方法即使没有在大型标记图像数据集上预训练，甚至在训练简化输入（如二进制轮廓）时，也能提供最好的泛化性能。此外，从图像表示进行跨模态传输可以改善基于体素的 3D 卷积网络和基于点的架构的性能。最后，通过不可区分噪声，研究了 3D 形状分类器对于对抗性变化的鲁棒性，结果发现基于点的网络对于点位置扰动更为稳定，而基于体素和多视图的网络则很容易被输入中的微不足道的噪声所欺骗。

    Sep, 2018

  • 基于卷积神经网络的基于手绘草图的三维形状检索

    该研究提出了一个基于 Siamese 卷积神经网络的方法，将一个 2D 的手绘草图转换为一个 3D 模型，并相比其他先进方法取得了更好的效果。

    Apr, 2015

  • 使用多视卷积网络从部分对应学习本地形状描述符

    本文提出了一个新的适用于 3D 形状的本地描述符，通过卷积网络直接从多个尺度的从粗到精细视角来捕捉图像的空间局部结构和表面细节，该技术可用于点对应，语义分割和形状匹配等形状分析领域。

    Jun, 2017

  • 多视角三维物体识别的深度模型综述

    综述了基于多视图三维物体识别方法在三维分类和检索任务方面的最新进展，聚焦于基于深度学习和基于 Transformer 技术的方法，包括常用的三维数据集、相机配置和视角数量、视角选择策略、预训练卷积神经网络架构、融合策略以及在三维分类和检索任务上的识别性能，同时考察了多视图分类在计算机视觉应用中的各种情况，并凸显了关键发现和未来发展方向。

    Apr, 2024

  • 用于学习类别特定形状重建的多视图聚合

    本文研究了从未观察到的物体实例的可变数量的 RGB 视图学习特定类别的 3D 形状重建问题，并提出了一种可以估计密集 3D 形状并在多个和不同数量的输入视图上聚合形状的方法。

    Jul, 2019

  • 3D ShapeNets：一种用于体积形状的深度表示

    使用卷积深度置信网络将几何 3D 形状表示为 3D 体素网格上的二元变量的概率分布，以实现物体识别和根据 2.5D 深度图形完成 3D 形状恢复等多个方面的任务，利用构建的大规模 3D CAD 模型数据集 - ModelNet 进行训练，可以在各种任务中显著提高性能。

    Jun, 2014

  • 卷积网络的单张图像多视角 3D 模型

    本文提出了一种卷积网络，可以仅仅基于单张图像预测出物体的 RGB 图和深度图，并将多幅深度图融合成完整点云后可转换成表面网格来对任意视野下的三维物体进行识别。网络通过合成的三维车和椅子模型进行训练，在有杂乱背景并搭配真实车辆图像的情况下，仍可生成合理的推测。

    Nov, 2015

  • 用于三维数据物体分类的体积和多视角卷积神经网络

    本文围绕三维信息在物体分类中的重要性，通过改进现有的立体卷积神经网络和多视卷积神经网络结构，引入了基于多分辨率过滤的三维多视卷积神经网络，取得了比现有技术更好的分类效果，并提供了相关实验结果和设计思路分析。

    Apr, 2016

  • 通过视角辨别网络学习区分性三维形状表示

    本文提出了一种基于深度学习的网络 - 视图识别网络（View Discerning Network），使用一个得分生成单元来评估 3D 形状上各个投影图像的质量，并加权以提高 3D 形状识别的效果，分别通过多通道得分单元和局部得分单元来评估不同方面的特征图的质量，并且在 ModelNet 和 ShapeNet Core55 上的实验证明了本文所提的网络表现出色，具有对物体遮挡和背景干扰具有很好的鲁棒性。

    Aug, 2018