MeshWalker：基于随机游走的深度网格理解
计算机视觉与模式识别
2020-12-11 v3 计算几何
机器学习
摘要
大多数用于深度学习的3D形状表示尝试都集中在体素网格、多视图图像和点云上。在本文中，我们考察计算机图形学中最流行的3D形状表示——三角网格——并探讨如何将其用于深度学习。少数尝试回答这一问题的研究提出调整卷积与池化以适应卷积神经网络（CNN）。本文提出了一种非常不同的方法，称为MeshWalker，直接从给定网格学习形状。其核心思想是通过沿表面进行随机游走来表征网格，这些游走“探索”网格的几何与拓扑。每次游走被组织为顶点列表，这在某种程度上对网格施加了规则性。该游走被输入一个循环神经网络（RNN），其“记忆”游走的历史。我们表明，我们的方法在两个基本形状分析任务上取得了最先进的结果：形状分类与语义分割。此外，即便非常少量的样本也足以进行学习。这一点极为重要，因为大规模网格数据集难以获取。
引用
@article{arxiv.2006.05353,
title = {MeshWalker: Deep Mesh Understanding by Random Walks},
author = {Alon Lahav and Ayellet Tal},
journal= {arXiv preprint arXiv:2006.05353},
year = {2020}
}