DeepTracking-Net：基于连续流无监督学习的 3D 跟踪
计算机视觉与模式识别
2020-06-25 v1
摘要
本文处理 3D 跟踪问题，即在随时间变化的 3D 形状序列中寻找稠密对应。尽管深度学习方法在成对稠密 3D 形状匹配中已取得可喜性能，但将这些方法推广至 3D 时变几何的跟踪仍是一大挑战。本文旨在处理 3D 跟踪问题，提供 3D 形状连续帧的跟踪。我们提出一种名为 DeepTracking-Net 的新型无监督 3D 形状配准框架，其使用深度神经网络 (DNNs) 作为辅助函数，以产生空间与时间上连续的位移场，用于按时间顺序对物体进行 3D 跟踪。我们的关键创新在于提出了一种新颖的时间感知对应描述子 (TCD)，可从连续 3D 点云帧中捕获时空本质。具体而言，我们的 DeepTracking-Net 从优化随机初始化的潜变量 TCD 开始。随后 TCD 被解码以回归连续流（即位移向量场），其为时变 3D 形状的每一点分配运动向量。我们的 DeepTracking-Net 联合优化 TCD 与 DNNs 权重，以最小化无监督对齐损失。在模拟与真实数据集上的实验表明，我们的无监督 DeepTracking-Net 优于当前有监督的最优方法。此外，我们为 3D 跟踪与识别界准备了一个新的合成 3D 数据，名为 SynMotions。
引用
@article{arxiv.2006.13848,
title = {DeepTracking-Net: 3D Tracking with Unsupervised Learning of Continuous Flow},
author = {Shuaihang Yuan and Xiang Li and Yi Fang},
journal= {arXiv preprint arXiv:2006.13848},
year = {2020}
}
备注
16 pages, 6 figures