InSphereNet：一种简洁的 3D 物体表示与分类方法
计算机视觉与模式识别
2020-01-06 v2 机器学习
机器学习
摘要
本文针对 3D 物体分类问题提出一种 InSphereNet 方法。与以往使用点、体素或多视图图像作为深度神经网络(DNN)输入的方法不同，所提方法从有符号距离场(SDF)构造一类更具代表性的特征，称为填充球(infilling spheres)。由于填充球良好的空间表示能力，我们不仅能利用极少的球体数量完成分类任务，还能设计一种比以往方法层数更少、参数更轻量的 InSphereNet。在 ModelNet40 上的实验表明，所提方法在准确率上优于 PointNet 和 PointNet++。特别地，若仅有数十个球体输入或约 100000 个 DNN 参数，我们的方法准确率仍保持在很高水平(超过 88%)。这进一步验证了所提 InSphere 3D 表示的简洁性与有效性。关键词：3D 物体分类，有符号距离场，深度学习，填充球
引用
@article{arxiv.1912.11606,
title = {InSphereNet: a Concise Representation and Classification Method for 3D Object},
author = {Hui Cao and Haikuan Du and Siyu Zhang and Shen Cai},
journal= {arXiv preprint arXiv:1912.11606},
year = {2020}
}