SyncSpecCNN: 用于三维形状分割的同步谱CNN
计算机视觉与模式识别
2016-12-05 v1
摘要
在本文中，我们研究以形状图表示的3D模型的语义标注问题。我们采用函数视角来表示图上的局部信息，使得诸如部件分割或关键点之类的标注无非是0-1指示顶点函数。与作为2D网格的图像相比，形状图是不规则且非同构的数据结构。为了能够通过卷积神经网络预测其上的顶点函数，我们借助谱CNN方法，该方法通过在由图拉普拉斯特征基张成的谱域中对核进行参数化来实现权值共享。在此设定下，我们名为SyncSpecCNN的网络致力于克服两个关键挑战：如何针对单个形状在图的不同部分共享系数并进行多尺度分析，以及如何跨相关但不同的形状（可能由差异很大的图表示）共享信息。为实现这些目标，我们引入了扩张卷积核的谱参数化以及谱变换网络。我们在包括三维形状部件分割和三维关键点预测在内的多种任务上测试了SyncSpecCNN。在所有基准数据集上均取得了最先进的性能。
引用
@article{arxiv.1612.00606,
title = {SyncSpecCNN: Synchronized Spectral CNN for 3D Shape Segmentation},
author = {Li Yi and Hao Su and Xingwen Guo and Leonidas Guibas},
journal= {arXiv preprint arXiv:1612.00606},
year = {2016}
}