基于投影卷积网络的3D形状分割
计算机视觉与模式识别
2017-11-15 v3 图形学
摘要
本文提出了一种用于3D对象语义部件分割的深度架构。该架构结合了基于图像的完全卷积网络（FCNs）和基于表面的条件随机场（CRFs），以产生连贯的3D形状分割。基于图像的FCNs用于高效地进行基于视角的3D对象部件推理。通过特殊的投影层，FCN输出在多个视角和尺度上有效聚合，然后投影到3D对象表面上。最后，基于表面的CRF将投影输出与几何一致性线索相结合，以产生连贯的分割。整个架构（多视角FCN和CRF）端到端训练。我们的方法在当前最大的分割基准测试（ShapeNet）中显著优于现有最先进方法。最后，我们展示了在消费级深度相机获取的含噪3D形状上的有前景的分割结果。
引用
@article{arxiv.1612.02808,
title = {3D Shape Segmentation with Projective Convolutional Networks},
author = {Evangelos Kalogerakis and Melinos Averkiou and Subhransu Maji and Siddhartha Chaudhuri},
journal= {arXiv preprint arXiv:1612.02808},
year = {2017}
}
备注
This is an updated version of our CVPR 2017 paper. We incorporated new experiments that demonstrate ShapePFCN performance under the case of consistent *upright* orientation and an additional input channel in our rendered images for encoding height from the ground plane (upright axis coordinate values). Performance is improved in this setting