用于学习多尺度空间特征的多级 3D CNN
计算机视觉与模式识别
2019-05-07 v2 机器学习
摘要
通过从物体的 3D 空间几何表示（如点云、3D 模型、曲面和 RGB-D 数据）学习多尺度空间特征，可提升 3D 物体识别精度。当前深度学习方法或使用结构化数据表示（体素网格与八叉树）或从非结构化表示（图与点云）学习此类特征。从此类结构化表示学习受限于分辨率与树深度限制，而非结构化表示因样本间非均匀性带来挑战。本文提出一种在多级体素网格上的端到端多级学习方法以克服这些缺陷。为证明所提多级学习的效用，我们使用 3D 物体的多级体素表示进行物体识别。该多级体素表示由一个包含 3D 物体体积信息的粗体素网格组成；此外，粗网格中包含物体边界部分的每个体素被细分为多个细级体素网格。我们的多级学习算法在物体识别上的性能可与稠密体素表示媲美，同时显存占用显著降低。
引用
@article{arxiv.1805.12254,
title = {Multi-level 3D CNN for Learning Multi-scale Spatial Features},
author = {Sambit Ghadai and Xian Lee and Aditya Balu and Soumik Sarkar and Adarsh Krishnamurthy},
journal= {arXiv preprint arXiv:1805.12254},
year = {2019}
}
备注
CVPR 2019 workshop on Deep Learning for Geometric Shape Understanding