TSGCNet：基于双流图卷积网络判别性几何特征学习的 3D 牙模分割
计算机视觉与模式识别
2020-12-29 v1
摘要
从数字化的 3D 牙模中精确分割牙齿是计算机辅助正畸手术规划中的一项基本任务。迄今为止，基于深度学习的方法已广泛用于解决该任务。最先进的方法直接拼接 3D 输入的原始属性（即网格单元的坐标与法向量），训练单流网络以实现全自动化牙齿分割。然而，这存在忽略这些原始属性所提供的不同几何含义的缺陷。该问题可能使网络在学习判别性几何特征时产生混淆，并导致牙模上出现许多孤立的误预测。针对此问题，我们提出双流图卷积网络（TSGCNet），从不同几何属性中学习多视角几何信息。我们的 TSGCNet 采用以输入感知方式设计的双图学习流，分别从坐标和法向量中提取更具判别性的高级几何表示。从所设计的两条不同流中学习到的这些特征表示被进一步融合，以集成多视角互补信息用于逐单元密集预测任务。我们在由 3D 口内扫描仪获取的牙模真实患者数据集上评估了所提 TSGCNet，实验结果表明我们的方法在 3D 形状分割上显著优于最先进的方法。
引用
@article{arxiv.2012.13697,
title = {TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation},
author = {Lingming Zhang and Yue Zhao and Deyu Meng and Zhiming Cui and Chenqiang Gao and Xinbo Gao and Chunfeng Lian and Dinggang Shen},
journal= {arXiv preprint arXiv:2012.13697},
year = {2020}
}
备注
10 pages, 7 figures