用于三维形状学习的连续测地卷积
计算机视觉与模式识别
2020-02-10 v1 计算几何
摘要
大多数用于非刚性形状几何处理的基于描述子的方法依赖于手工设计描述子。近来，基于学习的技术已被证明有效，在多种任务中取得了最先进的结果。然而，尽管这些方法原则上可直接在原始数据上工作，大多数方法仍在输入层依赖手工设计描述子。本工作中，我们希望挑战这一做法，并使用神经网络直接从原始网格学习描述子。为此，我们在神经架构中引入两个模块。其一是局部参考系（LRF），用于显式使特征对刚体变换不变。其二是连续卷积核，提供对采样的鲁棒性。我们利用两个基石任务——形状匹配与人身体部位分割——展示了我们所提网络在原始网格上学习的有效性。我们的结果优于使用手工设计描述子的基线方法。
引用
@article{arxiv.2002.02506,
title = {Continuous Geodesic Convolutions for Learning on 3D Shapes},
author = {Zhangsihao Yang and Or Litany and Tolga Birdal and Srinath Sridhar and Leonidas Guibas},
journal= {arXiv preprint arXiv:2002.02506},
year = {2020}
}