FPNN：面向3D数据的场探测神经网络
计算机视觉与模式识别
2016-10-26 v3
摘要
为3D数据构建判别性表示一直是计算机图形学和计算机视觉研究中的重要任务。卷积神经网络（CNNs）已在2D图像的各种任务上表现出巨大成功。将卷积算子提升到3D（3DCNNs）似乎是合理且有前景的下一步。不幸的是，3D CNN的计算复杂度相对于体素分辨率以立方增长。此外，由于大多数3D几何表示是基于边界的，被占用的区域并不随离散化大小成比例增加，导致计算浪费。在这项工作中，我们将3D空间表示为体积极场，并提出了一种新颖的设计，采用场探测滤波器来高效从中提取特征。每个场探测滤波器是一组探测点——感知空间的传感器。我们的学习算法不仅优化与探测点相关的权重，还优化它们的位置，从而变形探测滤波器的形状并自适应地分布在3D空间中。优化后的探测点“智能地”感知3D空间，而不是在整个域上盲目操作。我们表明，在3D物体识别基准数据集的分类任务上，场探测比3DCNNs显著更高效，同时提供最先进的性能。
引用
@article{arxiv.1605.06240,
title = {FPNN: Field Probing Neural Networks for 3D Data},
author = {Yangyan Li and Soeren Pirk and Hao Su and Charles R. Qi and Leonidas J. Guibas},
journal= {arXiv preprint arXiv:1605.06240},
year = {2016}
}
备注
To appear in NIPS 2016