Proto-FG3D：基于原型的可解释性精细粒度 3D 形状分类
计算机视觉与模式识别
2025-05-26 v1
摘要
深度学习驱动的多视角粗糙粒度 3D 形状分类在过去十年里取得了显著成功，利用 CNN 和 ViT 架构的强大特征学习能力。然而，作为一个至关重要的细微形状理解的具有挑战性的研究领域，精细粒度 3D 分类仍未得到充分研究，主要是由于在多视角特征聚合过程中捕获的判别性信息有限，尤其是针对细微的类别变异、类别不平衡以及参数模型固有的可解释性限制。为此，我们提出了首个基于原型的框架 Proto-FG3D，用于精细粒度 3D 形状分类，实现了从参数 softmax 到非参数原型学习的范式转变。首先，Proto-FG3D 通过原型关联建立联合的多视角和多类别表示学习。其次，通过在线聚类细化原型，提高了多视角特征分配的鲁棒性和跨子类的平衡性。最后，建立基于原型的监督学习，以通过原型-视角相关性分析实现精细粒度辨识，并通过透明的基于案例的推理实现即时可解释性。在 FG3D 和 ModelNet40 上的实验表明，Proto-FG3D 在准确率、透明预测和即时可解释性方面均优于最先进的方法，挑战了传统的精细粒度 3D 识别方法。
关键词
引用
@article{arxiv.2505.17666,
title = {Proto-FG3D: Prototype-based Interpretable Fine-Grained 3D Shape Classification},
author = {Shuxian Ma and Zihao Dong and Runmin Cong and Sam Kwong and Xiuli Shao},
journal= {arXiv preprint arXiv:2505.17666},
year = {2025}
}
备注
11 pages, 2 figures, 5 tablets; Submitted to BMVC2025