用于非刚性形状分析的 3D 表面谱变换网络学习
计算机视觉与模式识别
2018-10-23 v1
摘要
在 3D 表面上设计用于非刚性形状分析的网络是一项具有挑战性的任务。本工作中，我们提出一种新颖的 3D 表面谱变换网络以学习形状描述子。所提网络架构包含四个阶段：原始描述子提取、表面二阶池化、基于幂函数的谱变换混合，以及度量学习。所提网络简单且浅层。在具有挑战性的基准上的定量实验显示了其在非刚性形状检索与分类上的有效性，例如其在 SHREC14、15 数据集以及 SHREC17 数据集的 Range 子集上取得了最高准确率。
引用
@article{arxiv.1810.08950,
title = {Learning Spectral Transform Network on 3D Surface for Non-rigid Shape Analysis},
author = {Ruixuan Yu and Jian Sun and Huibin Li},
journal= {arXiv preprint arXiv:1810.08950},
year = {2018}
}
备注
16 pages, 3 figures