PFCNN：基于平行标架在三维曲面上进行卷积神经网络计算
计算机视觉与模式识别
2020-06-15 v2 计算几何
图形学
机器学习
摘要
曲面网格是广泛使用的形状表示，比点云或体素网格捕获更精细的几何数据，但由于其非欧几里得结构，直接应用 CNN 具有挑战性。我们利用曲面上的平行标架定义 PFCNN，通过忠实模仿标准卷积实现在曲面网格上的有效特征学习。具体而言，PFCNN 的卷积不仅将局部曲面片映射到平坦切平面，还对齐切平面使其局部形成平坦欧几里得结构，从而恢复标准卷积。该对齐通过借自离散微分几何的局部平坦联络工具实现，可由平行标架场高效编码与计算。此外，曲面上缺乏规范坐标轴的问题通过沿标架方向采样处理。实验表明，对于可变形几何域上的分类、分割与配准任务，以及刚体域上的语义场景分割任务，PFCNN 在不使用复杂输入特征的情况下，相较最先进的基于曲面的 CNN 取得了鲁棒且更优的性能。
引用
@article{arxiv.1808.04952,
title = {PFCNN: Convolutional Neural Networks on 3D Surfaces Using Parallel Frames},
author = {Yuqi Yang and Shilin Liu and Hao Pan and Yang Liu and Xin Tong},
journal= {arXiv preprint arXiv:1808.04952},
year = {2020}
}
备注
15 pages, 18 figures. CVPR 2020. Project page: https://haopan.github.io/surfacecnn.html