使用二维卷积网络将三维形状学习为多层高度图
计算机视觉与模式识别
2018-07-27 v2
摘要
我们提出了一种适用于 2D CNN 的 3D 形状全局表示。我们将 3D 形状表示为多层高度图（MLH），在每个网格位置存储多个高度图实例，从而表示被若干遮挡层隐藏在背后的 3D 形状细节。我们提供了一种新颖的视图合并方法，用于组合来自多个视图的视图依赖信息（例如 MLH 描述子）。由于能够使用 2D CNN，与基于体素的输入相比，我们的方法在输入分辨率方面具有极高的内存效率。结合 MLH 描述子和我们的多视图合并，我们在 ModelNet 数据集的分类任务上取得了 state-of-the-art 的结果。
引用
@article{arxiv.1807.08485,
title = {Learning 3D Shapes as Multi-Layered Height-maps using 2D Convolutional Networks},
author = {Kripasindhu Sarkar and Basavaraj Hampiholi and Kiran Varanasi and Didier Stricker},
journal= {arXiv preprint arXiv:1807.08485},
year = {2018}
}
备注
ECCV 2018 camera ready