NIPSNov, 2017

使用 3D-CNN 学习和可视化本地几何特征：应用于钻孔可制造性分析

PDF
TL;DR本文提出了一种基于 3D Convolutional Neural Networks 和 Gradient-weighted Class Activation Mapping 的方法，能够解释 3D-CNN 的决策过程，并能够识别在对象内部感兴趣的本地特征，该框架可以扩展到多个空间尺度，为实时的制造可行性决策支持系统提供支持。
3d convolutional neural networksobject recognition3d-gradcamdecision-makingmanufacturability
发现论文，激发创造
  • 使用 Geo-CNN 建模三维点云的局部几何结构

    本文提出了一种名为 Geo-CNN 的算法，通过将点和其局部邻域应用一种称为 GeoConv 的通用卷积操作来捕捉点云中局部几何关系，并在特征提取过程中保留点云的几何结构，实现了在 ModelNet40 和 KITTI 数据集上的最先进性能。

    Nov, 2018

  • 使用混合模型 CNN 对图和流形进行几何深度学习

    这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广 CNN 的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。

    Nov, 2016

  • FeaStNet: 基于特征导向的图卷积用于三维形状分析

    该研究提出了一种新颖的图卷积算子，通过动态地计算网络所学习到的特征与图上邻域之间的对应关系来实现任意连接的图邻域与滤波器权重之间的对应关系，并通过实验结果验证该方法可以从原始输入坐标学习有效的形状表示，而不依赖于形状描述符。

    Jun, 2017

  • CVRecon: 重新定义神经重建的 3D 几何特征学习

    提出了一种基于多视角立体技术的神经重建框架 CVRecon，使用创新的 3D 几何特征表示方法 RCCV，可以显着提高三维几何重建质量和恢复细节。

    Apr, 2023

  • Grad-CAM：你为什么这样说？

    提出了一种基于 Grad-CAM 的透明度技术，通过可视化重要的输入区域来提高人类对卷积神经网络（CNN）模型的理解，帮助理解包括图像字幕和视觉问答（VQA）模型在内的基于 CNN 的模型，并通过测量它们的分类能力、人类可信度和与遮挡地图的相关性来评估它们的视觉解释。

    Nov, 2016

  • 面向活动视觉识别的几何感知循环神经网络

    该研究介绍了使用递归的几何感知神经网络，将一个场景的多个视图中的视觉信息整合到 3D 潜在特征张量中，并直接使用构建的 3D 特征存储器进行物体检测、物体分割和 3D 重建。

    Nov, 2018

  • Grad-CAM: 基于梯度的定位，通过深度网络提供视觉解释

    该论文提出了 Gradient-weighted Class Activation Mapping (Grad-CAM) 技术，结合细粒度的可视化方法，通过对 CNN 模型中任意目标概念的梯度进行处理，使得决策更加透明和可解释，同时能够定位各个重要部件，提高模型泛化性。作者通过将 Grad-CAM 应用于图像分类、字幕和视觉问答模型，并通过人机交互实验证明，该技术能够帮助用户建立模型的信任度并成功辨别模型的强弱。

    Oct, 2016

  • 层次结构度量学习及其在二维和三维几何对应中的匹配

    该研究提出了使用深度学习的 CNN 网络以及不同层次的特征图来进行几何匹配的任务，并相较于先前的手动特征点描述方法，展示了更佳的匹配结果。

    Mar, 2018

  • FPNN：用于 3D 数据的场探测神经网络

    通过使用体积场表示三维空间，使用场探测滤波器来高效地提取特征更为有效，与 3D CNNs 相比，在三维物体识别基准数据集的分类任务上展现出一流的性能。

    May, 2016

  • 多层次三维卷积神经网络学习多尺度空间特征

    本文提出了一种基于多层体素网格的端到端多级学习方法来解决现有 3D 目标识别中结构化和非结构化数据表示的缺陷，结果表明该方法在节约内存的同时能够实现与密集体素表示相当的目标识别性能。

    May, 2018