基于带稀疏自编码器的深度神经网络的 3D 关键点检测
计算机视觉与模式识别
2016-05-03 v1
摘要
在过去的几十年中，研究者提出了各种从 3D 网格模型表面提取 3D 关键点的方法，但大多数基于几何方法，缺乏足够的灵活性以满足各种应用的需求。在本文中，我们提出一种基于深度学习的新方法，将 3D 关键点检测公式化为一个回归问题，使用带稀疏自编码器 (SAE) 的深度神经网络 (DNN) 作为我们的回归模型。3D 网格模型在多尺度空间中的局部信息和全局信息被充分利用，以检测一个顶点是否为关键点。SAE 能有效提取这两类信息的内部结构并为它们形成高层特征，这有利于回归模型。使用三个 SAE 来构成 DNN 的隐藏层，然后训练一个逻辑回归层来处理第三个 SAE 产生的高层特征。数值实验表明，所提出的基于 DNN 的 3D 关键点检测算法在各种 3D 网格模型上优于当前五种最先进的方法。
引用
@article{arxiv.1605.00129,
title = {3D Keypoint Detection Based on Deep Neural Network with Sparse Autoencoder},
author = {Xinyu Lin and Ce Zhu and Qian Zhang and Yipeng Liu},
journal= {arXiv preprint arXiv:1605.00129},
year = {2016}
}
备注
13 pages, 6 figures