用于体素图像分类的宽且深的体素残差网络
计算机视觉与模式识别
2017-10-04 v1
摘要
直接从 3D 信息对物体进行分类的 3D 形状模型已变得更加广泛可实现。当前最先进的模型依赖于资源消耗密集的深度卷积模型和 Inception 模型。残差神经网络已被证明更易于优化，并且不会出现深度网络中观察到的梯度消失/爆炸问题。在此，我们实现了一个用于 3D Princeton ModelNet 数据集 3D 物体分类的残差神经网络。此外，我们表明加宽网络层可显著提高浅层残差网络的准确率，并且残差神经网络的性能与最先进的 3D 形状网络模型相当，同时我们表明加宽网络层能提高分类准确率。我们提供了详尽的训练和架构参数，为 3D 物体分类中可用网络架构提供了更好的理解。
引用
@article{arxiv.1710.01217,
title = {Wide and deep volumetric residual networks for volumetric image classification},
author = {Varun Arvind and Anthony Costa and Marcus Badgeley and Samuel Cho and Eric Oermann},
journal= {arXiv preprint arXiv:1710.01217},
year = {2017}
}