HPNet：使用混合表示进行深度基元分割
计算机视觉与模式识别
2021-10-22 v4
摘要
本文提出HPNet，一种将表示为点云的3D形状分割为基元面片的新颖深度学习方法。深度基元分割的关键在于学习能够分离不同基元点的特征表示。与采用单一特征表示不同，HPNet利用混合表示，结合一个学习到的语义描述子、两个由预测几何参数导出的谱描述子，以及编码锐边的邻接矩阵。此外，HPNet并非简单拼接这些描述子，而是通过学习的组合权重最优地结合混合表示。该加权模块建立在输入特征的熵之上。最终的基元分割由mean-shift聚类模块得到。在基准数据集ANSI与ABCParts上的实验结果表明，HPNet相较基线方法取得了显著的性能提升。
引用
@article{arxiv.2105.10620,
title = {HPNet: Deep Primitive Segmentation Using Hybrid Representations},
author = {Siming Yan and Zhenpei Yang and Chongyang Ma and Haibin Huang and Etienne Vouga and Qixing Huang},
journal= {arXiv preprint arXiv:2105.10620},
year = {2021}
}
备注
ICCV 2021