神经引导形状解析器：基于语法并通过近似推断标注3D形状区域
计算机视觉与模式识别
2022-03-24 v3 人工智能
机器学习
摘要
我们提出神经引导形状解析器（NGSP），一种学习如何为3D形状的区域分配细粒度语义标签的方法。NGSP通过MAP推断解决此问题，以学习到的似然函数对给定输入形状条件下标签分配的后验概率建模。为使该搜索可行，NGSP采用一个神经引导网络学习近似后验。NGSP首先用引导网络采样候选分配，再于完整似然下评估各候选，从而找到高概率标签分配。我们在PartNet制造类3D形状的细粒度语义分割任务上评估NGSP，其中形状已被分解为对应于部件实例过分割的区域。我们发现NGSP相较以下对比方法取得显著性能提升：（i）使用区域聚合逐点预测，（ii）将区域用作自监督信号，或（iii）在替代公式下为区域分配标签。此外，我们表明即使在有限标注数据或含噪输入形状区域下，NGSP仍保持强劲性能。最后，我们证明NGSP可直接应用于在线仓库中的CAD形状，并通过感知研究验证其有效性。
引用
@article{arxiv.2106.12026,
title = {The Neurally-Guided Shape Parser: Grammar-based Labeling of 3D Shape Regions with Approximate Inference},
author = {R. Kenny Jones and Aalia Habib and Rana Hanocka and Daniel Ritchie},
journal= {arXiv preprint arXiv:2106.12026},
year = {2022}
}
备注
CVPR 2022; https://github.com/rkjones4/NGSP