3D-A-Nets: 基于对抗网络的体素形状三维深度稠密描述子
计算机视觉与模式识别
2017-11-29 v1
摘要
近来研究者将重心从手工三维形状描述子转向学习到的三维形状描述子,以更好地应对三维物体中固有的形变与结构变化等挑战性问题。三维几何数据常转换为规则格式的三维体素网格,以便更好地输入深度神经网络架构。然而,直接将三维卷积网络应用于三维体素数据的计算棘手性,严重限制了处理三维几何数据的效率(即处理缓慢)与效果(即精度不足)。本文借助一种新颖的对抗网络设计(3D-A-Nets),提出了一种新颖的三维深度稠密形状描述子(3D-DDSD),以应对三维体素数据高效且有效处理的挑战。我们给出了三维体素数据二维多层稠密表示(MDR)的新定义以提取简洁而几何信息丰富的形状描述,并设计了一种新颖的对抗网络,联合训练一组卷积神经网络(CNN)、循环神经网络(RNN)与对抗判别器。更具体地,生成器网络产生鼓励同类别且类标正确的样本聚类的三维形状特征,而判别器网络通过赋予其误导性的对抗类标来阻碍该聚类。通过应对CNN直接用于三维体素数据所带来的计算低效挑战,3D-A-Nets能学习高质量的3D-DSDD,在三维形状分类与检索上以极大优势超越其他SOTA技术。
引用
@article{arxiv.1711.10108,
title = {3D-A-Nets: 3D Deep Dense Descriptor for Volumetric Shapes with Adversarial Networks},
author = {Mengwei Ren and Liang Niu and Yi Fang},
journal= {arXiv preprint arXiv:1711.10108},
year = {2017}
}
备注
8 pages, 8 figures