通过三维感兴趣区域学习形状的语义抽象
计算机视觉与模式识别
2022-01-14 v1
摘要
本文中，我们关注3D形状抽象与语义分析两项任务。这与当前仅关注3D形状抽象或语义分析之一的方法形成对比。此外，先前方法难以产生实例级语义结果，限制了其应用。我们提出一种联合估计3D形状抽象与语义分析的新方法。我们的方法首先为3D形状生成若干3D语义候选区域；随后利用这些候选，通过深度卷积神经网络直接预测语义类别并同时细化候选区域参数。最后，我们设计一种算法融合预测结果并获得最终语义抽象，其被证明优于标准非极大抑制。实验结果表明我们的方法能取得最先进的(state-of-the-art)结果。此外，我们还发现我们的结果可轻松应用于实例级语义部件分割与形状匹配。
引用
@article{arxiv.2201.04945,
title = {Learning Semantic Abstraction of Shape via 3D Region of Interest},
author = {Haiyue Fang and Xiaogang Wang and Zheyuan Cai and Yahao Shi and Xun Sun and Shilin Wu and Bin Zhou},
journal= {arXiv preprint arXiv:2201.04945},
year = {2022}
}