层次化视图预测器：通过无序视图间层次预测的无监督 3D 全局特征学习
计算机视觉与模式识别
2021-08-10 v1
摘要
无监督地全局特征学习用于 3D 形状分析是一项重要研究挑战，因为它避免了收集监督信息的人工投入。本文提出一种基于视图的深度学习模型，称为层次化视图预测器（HVP），以无监督方式从无序视图中学习 3D 形状特征。为从无序视图中挖掘高判别性信息，HVP 在一对视图上执行新颖的层次化视图预测，并将所有视图对中学到的知识聚合为全局特征。在一对视图中，我们将层次化视图预测定义为：从当前视图的互补图像块集合分层预测该视图的一组图像块，并且由两组块中的任意一组完成当前视图及其对视视图的任务。从块到块、块到视图、视图到视图的层次预测，促使 HVP 从同一视图内块间关联及一对互补视图间关联中有效学习 3D 形状结构。此外，所采用的对所有视图对的隐式聚合使 HVP 能从无序视图学习全局特征。结果表明，在大规模 3D 形状基准的形状分类与检索任务中，HVP 优于 SOTA 方法。
引用
@article{arxiv.2108.03743,
title = {Hierarchical View Predictor: Unsupervised 3D Global Feature Learning through Hierarchical Prediction among Unordered Views},
author = {Zhizhong Han and Xiyang Wang and Yu-Shen Liu and Matthias Zwicker},
journal= {arXiv preprint arXiv:2108.03743},
year = {2021}
}
备注
To appear at ACMMM 2021