Parts4Feature：从多视图中通用语义部件学习三维全局特征
计算机视觉与模式识别
2019-05-21 v1
摘要
深度学习通过从像素级跨多视图学习全局形状特征，在三维形状分析中取得了显著成果。然而，先前方法计算整个视图的低级特征而未考虑部件级信息。相反，我们提出一种称为 Parts4Feature 的深度神经网络，从多视图中的部件级信息学习三维全局特征。我们引入通用语义部件的新颖定义，Parts4Feature 从不同三维形状分割基准中学习在多视图中检测此类部件。我们架构的一个核心思想是，将多视图中检测语义有意义部件的能力迁移至学习三维全局特征。Parts4Feature 通过结合具有共享区域提议模块的局部部件检测分支与全局特征学习分支来实现这一点。全局特征学习分支以新颖多注意力机制按所学部件模式聚合检测到的部件，而区域提议模块使局部与全局判别性信息相互促进。我们证明 Parts4Feature 在三个大规模三维形状基准下优于最先进方法。
引用
@article{arxiv.1905.07506,
title = {Parts4Feature: Learning 3D Global Features from Generally Semantic Parts in Multiple Views},
author = {Zhizhong Han and Xinhai Liu and Yu-Shen Liu and Matthias Zwicker},
journal= {arXiv preprint arXiv:1905.07506},
year = {2019}
}
备注
To appear at IJCAI2019