ICCVAug, 2019

3D 物体检索的 N-gram 网络

PDF
TL;DR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。
发现论文，激发创造
  • VERAM：视图增强的循环注意力模型用于 3D 形状分类

    本文提出了一种名为 VERAM 的递归注意模型，能够主动选择一系列视角进行高精度的三维形状分类，通过三个关键增强策略解决了现有注意力模型中不平衡训练的问题，实现了状态下的最先进水平。

    Aug, 2018

  • 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

  • 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

  • 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

  • PVNet: 一种基于点云和多视图的联合卷积网络用于三维形状识别

    本文介绍了一个新的 3D 形状识别框架：Point-View Network（PVNet），该框架整合了点云和多视角数据，并利用深度学习和嵌入式注意融合方案提高了 3D 形状的准确识别。

    Aug, 2018

  • 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

  • MVPNet：用于从单张图像重建三维物体的多视图点回归网络

    该论文提出了一种基于点云的物体表面重建方法，使用编码器 - 解码器网络通过单张图片生成多种视角下的点云，并且使用几何损失函数提高表面拟合准确性。

    Nov, 2018

  • 3D-R2N2：单视角和多视角三维物体重建的统一方法

    使用深度学习方法，构建一个名为 3D-R2N2 的递归神经网络结构，使用大量的合成数据将图像映射到对应的 3D 形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的 3D 重建，并在单视图重建方面优于现有的最先进方法。

    Apr, 2016

  • 从单张深度图实现语义场景补全的视点网络

    本文介绍了一种名为 VVNet 的卷积神经网络，可从单个深度图像中推断出体积三维场景的占用率和语义标签，VVNet 有效地降低了计算成本，提高了结果的准确性。

    Jun, 2018

  • 等变多视角网络

    本文提出了一种基于群卷积的多视图融合方法，实现对所有视图的联合推理，并通过对旋转群的离散子群进行卷积来维持等变性，从而在多个大规模的 3D 形状检索任务中取得了新的最高水平，并且在全景场景分类方面也有额外的应用。

    Apr, 2019