基于主导集聚类的多视图三维物体识别与池化方法
计算机视觉与模式识别
2019-06-05 v1
摘要
基于视图的策略在三维物体识别中已被证明非常成功。当前最先进的方法在外观图像上达到了超过90%的类别级识别正确率。我们通过引入基于主导集的视图聚类与池化层来改进这些方法。其核心思想是对相似且因此属于同一簇的视图进行信息池化。池化后的特征向量随后以循环方式作为同一层的输入。该循环聚类与池化模块在插入现成的预训练CNN中时，可提升多视图三维物体识别性能，在ModelNet 40数据库上实现了93.8%的新最先进测试集识别准确率。我们还探索了一种针对聚类池化CNN的快速近似学习策略，该策略虽牺牲了端到端学习，却大幅提升了训练效率，且仅使识别准确率略微下降至93.3%。我们的实现代码见 https://github.com/fate3439/dscnn。
引用
@article{arxiv.1906.01592,
title = {Dominant Set Clustering and Pooling for Multi-View 3D Object Recognition},
author = {Chu Wang and Marcello Pelillo and Kaleem Siddiqi},
journal= {arXiv preprint arXiv:1906.01592},
year = {2019}
}
备注
British Machine Vision Conference 2017