RISA-Net：用于细粒度三维形状检索的旋转不变结构感知网络
计算机视觉与模式识别
2020-10-05 v1 计算几何
摘要
细粒度三维形状检索旨在从属于同一类别的模型库中检索与查询形状相似的三维形状，这要求形状描述子能够表示详细的几何信息，以区分具有全局相似结构的形状。此外，三维物体在实际应用中可任意放置位置和朝向，这进一步要求形状描述子对刚性变换具有鲁棒性。现有三维形状检索系统中使用的形状描述方法无法满足上述两个准则。本文提出一种新颖的深度架构RISA-Net，其学习旋转不变的三维形状描述子，能够编码细粒度几何信息与结构信息，从而在细粒度三维物体检索任务上取得准确结果。RISA-Net分块提取一组紧凑而详细的几何特征，并判别性地估计每个语义部分对形状表示的贡献。此外，我们的方法在生成用于细粒度检索的三维形状最终紧凑潜在特征时，能够学习所有部分的几何与结构信息的重要性。我们还构建并发布了一个带有子类标签的新三维形状数据集，用于验证细粒度三维形状检索方法的性能。定性与定量实验表明，我们的RISA-Net在细粒度物体检索任务上优于现有最优方法，证明了其在几何细节提取方面的能力。代码与数据集可在 https://github.com/IGLICT/RisaNET 获取。
引用
@article{arxiv.2010.00973,
title = {RISA-Net: Rotation-Invariant Structure-Aware Network for Fine-Grained 3D Shape Retrieval},
author = {Rao Fu and Jie Yang and Jiawei Sun and Fang-Lue Zhang and Yu-Kun Lai and Lin Gao},
journal= {arXiv preprint arXiv:2010.00973},
year = {2020}
}
备注
The code and dataset are available at: https://github.com/IGLICT/RisaNET