Tags2Parts：从形状标签中发现语义区域
计算机视觉与模式识别
2018-05-02 v3 图形学
摘要
我们提出了一种新方法，用于发现与用户指定标签强相关的形状区域。例如，给定一组标记为“有扶手”或“无扶手”的椅子，我们的系统正确地将扶手区域突出显示为两种椅子类型之间的主要区别部分。为了从形状级别的标签获得逐点预测，我们开发了一种新颖的神经网络架构，该架构使用标签分类损失进行训练，但旨在依靠分割来预测标签。我们的网络受 U-Net 启发，但我们通过新的跳跃连接和池化层将浅层 U 结构复制多次，并将所得架构称为“WU-Net”。我们在分割基准上测试了我们的方法，并表明即使在仅有整体形状标签的弱监督下，我们的方法也能推断出有意义的语义区域，而无需观察形状分割。此外，一旦经过训练，该模型可以处理标签完全未知的形状。作为额外收获，我们的架构在完全监督下可直接运行，并在标准基准上表现强劲。我们通过具有多种变体架构和先前基线的实验验证了我们的方法，并展示了几种应用。
引用
@article{arxiv.1708.06673,
title = {Tags2Parts: Discovering Semantic Regions from Shape Tags},
author = {Sanjeev Muralikrishnan and Vladimir G. Kim and Siddhartha Chaudhuri},
journal= {arXiv preprint arXiv:1708.06673},
year = {2018}
}
备注
To appear at CVPR 2018