通过形状全卷积网络进行3D形状分割
计算机视觉与模式识别
2018-05-29 v3
摘要
我们设计了一种新颖的面向形状的全卷积网络架构，称为形状全卷积网络（SFCN）。在SFCN架构中，3D形状被表示为图结构，基于新颖的图卷积和图池化操作，这些操作类似于在图像上使用的卷积和池化操作。同时，为了在原始图像分割全卷积网络（FCN）架构中构建我们的SFCN架构，我们还设计并实现了一种带有桥接函数的生成操作。这确保了我们设计的卷积和池化操作能够成功应用于原始FCN架构。本文中，我们还提出了一种基于SFCN的新形状分割方法。此外，我们允许更通用且更具挑战性的输入，例如不同类别形状的混合数据集，这可以证明我们方法的泛化能力。在我们的方法中，SFCN通过使用三个低级几何特征作为输入，以三角形到三角形的方式进行训练。最后，采用基于特征投票的多标签图割来优化SFCN预测得到的分割结果。实验结果表明，我们的方法能够有效地学习和预测具有相似或不同特性的混合形状数据集，并取得优异的分割结果。
引用
@article{arxiv.1702.08675,
title = {3D Shape Segmentation via Shape Fully Convolutional Networks},
author = {Pengyu Wang and Yuan Gan and Panpan Shui and Fenggen Yu and Yan Zhang and Songle Chen and Zhengxing Sun},
journal= {arXiv preprint arXiv:1702.08675},
year = {2018}
}
备注
We update some missing references about intrinsic CNNs (2018.5.24)