使用卷积神经网络进行超二次曲面模型的分割与重建
计算机视觉与模式识别
2020-01-29 v1
摘要
在本文中，我们解决了用参数化体积形状基元表示三维视觉数据的问题。具体而言，我们提出了一种围绕卷积神经网络（CNNs）构建的（两阶段）方法，能够将复杂深度场景分割为可用超二次曲面模型表示的更简单几何结构。在第一阶段，我们的方法使用Mask RCNN模型识别深度场景中的类超二次曲面结构，然后使用专门设计的CNN回归器将超二次曲面模型拟合到分割出的结构上。使用我们的方法，我们能够通过少量可解释参数描述复杂结构。我们在合成以及真实世界深度数据上评估了所提出的方法，并表明我们的解决方案不仅与最先进水平相比具有竞争力，而且能够以竞争方法所需时间的一小部分将场景分解为若干超二次曲面模型。我们将论文中使用的所有数据和模型发布于 https://lmi.fe.uni-lj.si/en/research/resources/sq-seg。
引用
@article{arxiv.2001.10504,
title = {Segmentation and Recovery of Superquadric Models using Convolutional Neural Networks},
author = {Jaka Šircelj and Tim Oblak and Klemen Grm and Uroš Petković and Aleš Jaklič and Peter Peer and Vitomir Štruc and Franc Solina},
journal= {arXiv preprint arXiv:2001.10504},
year = {2020}
}
备注
8 pages, in Computer Vision Winter Workshop, 2020