面向任意视角 3D 形状识别的规范视角表示学习
计算机视觉与模式识别
2021-08-18 v2 人工智能
摘要
本文关注从任意视角（即任意数量和位置的视点）识别 3D 形状。这是基于视角的 3D 形状识别中一个具有挑战性且现实的设定。我们提出一种规范视角表示来应对这一挑战。我们首先通过使用最优传输将任意视角特征对齐到一组可学习的参考视角特征，将任意视角的原始特征转换为固定数量的视角特征，称为规范视角表示。如此，每个具有任意视角的 3D 形状都由固定数量的规范视角特征表示，这些特征被进一步聚合以生成丰富且鲁棒的 3D 形状表示用于形状识别。我们还提出一种规范视角特征分离约束，以强制规范视角表示中的视角特征可被嵌入到欧几里得空间中的散点。在 ModelNet40、ScanObjectNN 和 RGBD 数据集上的实验表明，我们的方法在固定视角设定下取得了有竞争力的结果，并在任意视角设定下显著优于适用的方法。
引用
@article{arxiv.2108.07084,
title = {Learning Canonical View Representation for 3D Shape Recognition with Arbitrary Views},
author = {Xin Wei and Yifei Gong and Fudong Wang and Xing Sun and Jian Sun},
journal= {arXiv preprint arXiv:2108.07084},
year = {2021}
}