BAE-NET：用于形状协同分割的分支自编码器
计算机视觉与模式识别
2019-08-15 v2 图形学
机器学习
摘要
我们将形状协同分割视为表示学习问题，并引入分支自编码器网络 BAE-NET 来处理该任务。无监督的 BAE-NET 使用一组未分割形状、借助形状重建损失进行训练，无需任何真值标签。具体而言，网络将输入形状用卷积神经网络编码，而解码器将所得特征码与点坐标拼接，并输出指示该点位于形状内外的值。重要的是，解码器是分支的：每个分支学习形状集合中一个常见重复部件（如机翼）的紧凑表示。通过用标签损失补充形状重建损失，BAE-NET 可轻松调优用于一次学习。我们展示了 BAE-NET 的无监督、弱监督和一次学习结果，表明仅使用少量样本，我们的网络通常能胜过在数百个分割形状上训练的最先进监督方法。代码见 https://github.com/czq142857/BAE-NET。
引用
@article{arxiv.1903.11228,
title = {BAE-NET: Branched Autoencoder for Shape Co-Segmentation},
author = {Zhiqin Chen and Kangxue Yin and Matthew Fisher and Siddhartha Chaudhuri and Hao Zhang},
journal= {arXiv preprint arXiv:1903.11228},
year = {2019}
}
备注
Accepted to ICCV 2019. Code: https://github.com/czq142857/BAE-NET Supplementary material: https://www.sfu.ca/~zhiqinc/imseg/sup.pdf