用于三维物体分割与分类的 3D 网格上稠密图卷积神经网络
计算机视觉与模式识别
2021-07-01 v1 图形学
摘要
本文提出用于 3D 物体分割与分类的 3D 网格上图卷积神经网络（GCNs）的新设计。我们以网格的面作为基本处理单元，并将 3D 网格表示为图，其中每个节点对应一个面。为增强图的表征能力，我们引入 1-环面邻域结构以导出新颖的多维空间与结构特征来表示图节点。基于这一新图表示，我们进而设计了一种稠密连接的图卷积块，其聚合局部与区域特征，作为构建高效且实用的 GCN 模型用于 3D 物体分类与分割的关键构件。我们将给出实验结果以表明我们的新技术优于当前最优方法，其中我们的模型被显示为具有最少参数数量并在多个基准数据集上一致取得最高准确率。我们还将呈现消融研究以证明我们设计原则的合理性及实用模型的有效性。
引用
@article{arxiv.2106.15778,
title = {Dense Graph Convolutional Neural Networks on 3D Meshes for 3D Object Segmentation and Classification},
author = {Wenming Tang Guoping Qiu},
journal= {arXiv preprint arXiv:2106.15778},
year = {2021}
}