Aug, 2018

通过视角辨别网络学习区分性三维形状表示

PDF
TL;DR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。
3d shape recognitionview-based recognitiondeep neural networkscore generation unitobject occlusion
发现论文，激发创造
  • 多视角卷积神经网络用于 3D 形状识别

    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。

    May, 2015

  • 3D 物体检索的 N-gram 网络

    本文介绍了一种名为 View N-gram Network (VNN) 的高效框架，通过将视图序列划分为一组视觉 n-gram，VNN 可以捕获多个视图间的空间信息，从而帮助学习每个 3D 对象的判别性全局嵌入。在诸如 ModelNet10、ModelNet40 和 ShapeNetCore55 等 3D 形状检索基准测试中，我们的方法表现出优越性。

    Aug, 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

  • 解耦 3D 原型网络以进行少样本概念学习

    本研究提出了一种神经网络架构，将 RGB-D 图像分离为物体的形状和样式以及背景场景的地图，并探索了它们在少样本三维物体检测和少样本概念分类的应用。

    Nov, 2020

  • ShapeCodes: 将视角提升至视图网格以进行自我监督特征学习

    本论文介绍了一种无监督学习方法，将三维形状信息嵌入到单视图图像表示中，通过使用单个 2D 图像的自监督训练目标，在没有人工语义标签的前提下，鼓励表示捕捉基本形状原语和语义规律，最终学习得到一个强大的表示方法，可以成功进行物体识别和 “心理旋转” 操作，成果优于相对应的其他无监督学习方法。

    Sep, 2017

  • 自然图像中的无监督生成式三维形状学习

    本文介绍了一种从自然图像中学习生成 3D 形状的生成模型的全面无监督方法，其中利用 GAN 等深度学习技术实现，从而生成出真实的三维图像，实现了从二维图像向三维图像的转换。

    Oct, 2019

  • 使用对抗网络从图像集合推断三维形状

    通过 projective generative adversarial network（PrGAN）模型，我们可以在无监督学习的情况下，从提供的二维视图中推断出三维形状的概率分布，包括形状、视角和新的视图。

    Jun, 2019

  • 从图像中进行的无监督三维结构学习

    本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型，并通过概率推断从 3D 和 2D 图像中恢复这些结构，从而实现了第一个纯无监督学习下学习推断 3D 表示的方法，并在几个数据集上建立了基准模型。

    Jul, 2016

  • 从多个物体的 2D 视图中识别 3D 形状

    本文提出了一种称之为 “PrGANs” 的方法，能够在无监督学习的情况下，训练出一个能够从二维视角中通过投影反推出三维结构分布的生成式模型，并能够实现从输入图像中预测三维形状和视点，并生成新视图的功能。

    Dec, 2016

  • View Inter-Prediction GAN：学习全局形状记忆支持局部视图预测的无监督三维形状表示学习

    该研究提出了一种基于 RNN 的神经网络架构的无监督 3D 形状表征学习方法，通过对多视角间预测任务的训练，实现了对多个形状的形状特定全局记忆的共享，从而取得了在三大规模 3D 形状基准测试中的优异表现。

    Nov, 2018