IJCAIMay, 2019

Parts4Feature: 从多视图中的语义部分学习 3D 全局特征

PDF
TL;DR本文介绍了一种名为 Parts4Feature 的深度学习网络，它可以从多视图的部分级信息中学习三维全局特征，利用多重关注机制将检测到的部分聚合到全局特征中， 并通过区域建议模块将局部和全局信息相互促进，从而实现了在三大 3D 形状基准测试中的良好表现。
发现论文，激发创造
  • 3DViewGraph: 基于无序视角图的全局特征学习模型，利用注意力机制对三维模型进行处理

    本文提出了一种名为 3DViewGraph 的方法，该方法通过引入注意力机制，学习 3D 全局特征，解决了池化操作可能导致信息丢失和影响学习特征判别性的限制问题，并在三个大规模基准测试中展现出优异性能。

    May, 2019

  • 基于分层部位注意力的细粒度三维形状分类

    FG3D-Net 是一种用于 3D 形状分类的方法，它通过引入 fine-grained 的数据集和 part-view attention 等技术，提高了在 3D 形状细分类别上的识别精度。

    May, 2020

  • PartNet：一种用于细粒度和分层形状分割的递归部件分解网络

    本研究提出一种基于递归神经网络的分层式三维形状分割的深度学习模型，通过高层节点提供的强有力上下文线索来约束低层级别的分割，并使用递归上下文特征和相应部分提取的形状特征来提高每个节点的分割准确性。模型能够灵活自适应地将三维形状分割成多个部分，对细颗粒度和语义分割具有 state-of-the-art 的性能。

    Mar, 2019

  • 多级三维零件实例分割的语义分割辅助实例特征融合

    本文提出了一种基于语义分割和实例中心预测的方法，进一步利用形状语义学和部件实例之间的内在关系，同时利用多个层次的特征融合以及语义区域中心预测任务来提高实例点的聚类性能，该方法在 PartNet 基准测试中表现优异。

    Aug, 2022

  • 从图像集合中发现三维部件

    本文提出了一种自我监督的方法（LPD）来发现只有 2D 图像的物体的三维部件，并使用新的部件形状先验学习足够简单而又能忠实地匹配物体形状的部件，这种方法在实验中表现良好，比现有方法具有更好的重构精度。

    Jul, 2021

  • 基于遗传算法的特征选择和上下文集成的深度学习模型

    本研究提出了一种新型的三层深度学习模型，通过引入一对多二元类别学习器，学习遗传算法优化的特征，并同时学习全局和局部上下文信息，从而优化整个模型以在图像分割方面取得有希望的结果。

    Apr, 2022

  • 分层视图预测器：通过无序视图之间的分层预测实现无监督的三维全局特征学习

    本文提出了一种名为 Hierarchical View Predictor (HVP) 的基于深度学习的视图模型，以无监督的方式从无序视图中学习 3D 形状特征，并在形状分类和检索方面呈现出超越当前最先进方法的性能。

    Aug, 2021

  • 特征对齐下的无监督部件发现

    本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

    Dec, 2020

  • 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

  • 学习三维物体的细粒度分割，无需部件标签

    本文介绍了一种以深度聚类为基础的三维形状部分分割方法，通过学习来自具有细颗粒度分割但没有零件标签的形状数据集的部分先验，它通过最小化新型低秩损失来实现部分分割并表现出优秀的性能。

    Mar, 2021