ECCVSep, 2018

深入探究 3D 形状分类器

PDF
TL;DR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。
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

  • 深度几何学习调查：来自表征角度

    本文从不同的表示角度综述了深度学习在三维几何中的最新发展，并总结了不同表示方法在不同应用中的优缺点，同时提出了进一步的研究方向。

    Feb, 2020

  • 3D 点云的对抗形状扰动

    探讨了对抗者的视角下，从创建健壮的神经网络模型的问题入手，研究了使用 3D 数据进行分类的某些形状攻击方法及其有效性，以及攻击预处理步骤的能力。

    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

  • 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

  • 对抗生成连续的隐式形状表示

    本研究提出了一种基于有符号距离表示的生成对抗神经网络架构，能够生成高保真度的三维模型，并通过使用不同的 progressively growing voxel 网络作为鉴别器以及细化生成器能力的算法，从 ShapeNet 基准数据集中验证了其有效性。

    Feb, 2020

  • 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

  • 可组合通用的三维结构预测

    本文在单目图像 3D 形状重建领域引入了组合通用性的概念，并提出了一个新的框架来 better generalize 到那些有着非常不同的形状几何分布的看不见的目标类别。实验证明，我们的方法在 PartNet 中达到了比最先进的方法更高的性能，验证了我们的问题分解和网络设计的有效性。

    Dec, 2020

  • 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

  • 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