PartNet：一种用于细粒度与层次化形状分割的递归部件分解网络
计算机视觉与模式识别
2022-01-19 v5
摘要
深度学习用于3D形状分割的方法通常被表述为多类标注问题。现有模型针对固定的标签集合进行训练，这极大限制了它们的灵活性与适应性。我们选择了自顶向下的递归分解，并基于递归神经网络开发了首个用于3D形状层次化分割的深度学习模型。从表示为点云的完整形状出发，我们的模型执行递归二叉分解，其中层次中所有节点的分解网络共享权重。在每个节点处，训练一个节点分类器以确定其分解的类型（邻接或对称）与停止准则。在较高层级提取的特征被递归传播至较低层级。因此，高层级中有意义的分解为低层级的分割提供了强上下文线索以进行约束。同时，为提高每个节点的分割精度，我们用为相应部件提取的形状特征来增强递归上下文特征。我们的方法根据形状复杂度将云点中的3D形状分割为不固定数量的部件，展现出很强的通用性与灵活性。在公开基准以及本工作提出的细粒度分割新基准上，它在细粒度与语义分割方面均达到了最先进的性能。我们还展示了其在图像到形状重建中细粒度部件细化方面的应用。
引用
@article{arxiv.1903.00709,
title = {PartNet: A Recursive Part Decomposition Network for Fine-grained and Hierarchical Shape Segmentation},
author = {Fenggen Yu and Kun Liu and Yan Zhang and Chenyang Zhu and Kai Xu},
journal= {arXiv preprint arXiv:1903.00709},
year = {2022}
}
备注
CVPR 2019; Corresponding author: Kai Xu ([email protected]); Project page: www.kevinkaixu.net/projects/partnet.html