一种用于基于视图的 3D 模型检索的新型块卷积神经网络
计算机视觉与模式识别
2021-09-28 v1
摘要
近年来，许多基于视图的 3D 模型检索方法被提出并达到了最先进的性能。这些方法大多聚焦于提取更具判别力的视图级特征并有效聚合 3D 模型的多视图图像，但多视图图像间的潜在关系未被充分挖掘。因此，我们从利用块特征间关系以捕获多视图图像间长距离关联的角度来解决该问题。为捕获视图间关联，本文提出一种用于基于视图的 3D 模型检索的新型块卷积神经网络（PCNN）。具体而言，我们首先采用 CNN 分别提取各视图图像的块特征。其次，设计一种名为 PatchConv 的新型神经网络模块，以利用特征空间中相邻块之间的内在关系来捕获多视图图像间的长距离关联。然后，将一个自适应加权视图层进一步嵌入 PCNN，根据各视图特征与视图池化特征之间的相似度自动为每个视图分配权重。最后，采用一种判别损失函数提取判别性 3D 模型特征，该损失由融合分类器与特定分类器生成的 softmax 损失值组成。在两个公开 3D 模型检索基准（即 ModelNet40 与 ModelNet10）上的大量实验结果表明，我们所提 PCNN 优于最先进方法，mAP 值分别为 93.67% 与 96.23%。
引用
@article{arxiv.2109.12299,
title = {A Novel Patch Convolutional Neural Network for View-based 3D Model Retrieval},
author = {Zan Gao and Yuxiang Shao and Weili Guan and Meng Liu and Zhiyong Cheng and Shengyong Chen},
journal= {arXiv preprint arXiv:2109.12299},
year = {2021}
}