基于几何深度学习的 3D 形状分割
计算机视觉与模式识别
2020-02-04 v1
摘要
由于巨大的内存需求，对具有高顶点密度的 3D 形状进行语义分割可能不切实际。为使该问题在计算上可行，我们提出了一种基于神经网络的方法，该方法生成 3D 形状的 3D 增强视图，从而将整体分割问题转化为子分割问题。3D 增强视图是通过将 3D 形状的顶点和法线投影到围绕该形状从不同视角获取的 2D 规则网格上得到的。这些 3D 视图随后由卷积神经网络（Convolutional Neural Network）处理，以对每个顶点在语义类别集合上产生概率分布函数（pdf）。这些 pdf 随后被重新投影到原始 3D 形状上，并通过条件随机场利用上下文信息进行后处理。我们使用公开可用数据集的 3D 形状以及利用摄影测量技术重建的真实物体来验证我们的方法。我们将我们的方法与最先进的替代方案进行比较。
引用
@article{arxiv.2002.00397,
title = {3D Shape Segmentation with Geometric Deep Learning},
author = {Davide Boscaini and Fabio Poiesi},
journal= {arXiv preprint arXiv:2002.00397},
year = {2020}
}