用于三维数据增强的非线性微分 CNN 渲染模块
计算机视觉与模式识别
2019-04-11 v1
摘要
在这项工作中，我们引入一个微分渲染模块，使神经网络能够高效处理杂乱数据。该模块由连续分段可微函数构成，定义为嵌入在三维空间中的单元传感器阵列。我们的模块是可学习的，并且可以轻松集成到神经网络中，从而允许使用基于梯度的方法以端到端方式将数据采集渲染优化至特定学习任务。本质上，模块的传感器单元被允许独立变换，并在局部聚焦和感知三维数据的不同部分。因此，通过其优化过程，单元学会聚焦于数据的重要部分，绕过遮挡、杂乱与噪声。由于传感器单元最初位于网格上，这等同于将场景高度非线性地渲染为二维图像。我们的模块在存在杂乱和遮挡的情况下表现尤为良好。类似地，它能很好地应对非线性形变，并通过恰当的数据渲染提高分类精度。在我们的实验中，我们应用我们的模块来展示在二维与三维杂乱数据中的高效定位与分类任务。
引用
@article{arxiv.1904.04850,
title = {A Non-linear Differential CNN-Rendering Module for 3D Data Enhancement},
author = {Yonatan Svirsky and Andrei Sharf},
journal= {arXiv preprint arXiv:1904.04850},
year = {2019}
}