AI论文探讨室·A+·第8期 Multi-view Convolutional Neural Networks for 3D Shape Recognition

最新推荐文章于 2022-05-01 17:20:14 发布
最新推荐文章于 2022-05-01 17:20:14 发布
阅读量261 收藏
点赞数 1
分类专栏： 三维重建 文章标签： 三维重建
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CSS360/article/details/101754377
版权

《Multi-view Convolutional Neural Networks for 3D Shape Recognition》

论文地址

实验室主页

主要解决的问题：3D形状识别

主要描述

        本论文提出一个标准的CNN框架训练来识别每个独立形状的渲染，以及展示一个3D形状能够识别即使从一张图像，它的准确率也是比当前先进的3D形状描述高。当多视点的形状被提供后，识别率明显提高。另外我们展示了一个新颖的CNN框架，能够融合来自多视点的3D形状到一张图像和小型的形状描述提供较好的识别性能。相同的框架能够用来精确地识别人手绘骨骼形状。本论文证实2D视角集合具有较高3D形状识别信息，能够适用于CNN框架及衍生的框架。

系统框架

        对渲染的3D模型，获取不同虚拟相机下拍摄的2D图像，并且每张图像通过^{CNN}1提取视角下的基础特征。将每个视角下得到的特征通过视角池化和^{CNN}2得到一个相对的形状描述。

在ModelNet40数据集上分类和索引结果

        与当前先进的3D形状描述进行对比，并且实验中还测试视角数为1、12、80情况下的分类和索引的性能，并且在metric+80X情况下分类精度达到了90.1%，metric+12X索引达到了80.2%。

主要工作

（1）使用多个视角下的2D图像，来描述3D形状；

下一步工作

（1）不同视角的2D图像结合，哪个视角小的效果最好；

（2）对于一个给定的精确度，多少个视角下的图像是必要的；

（3）是否可以在空中选择视角；

（4）本论文提出的方案是否可以用在真实世界的3D目标的描述，而不是在3D polygon mesh 模型上；

了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：

下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料

元宇宙MetaAI
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Multi-view Convolutional Neural Networks for 3D Shape Recognition
Dilusense的博客
01-20 3493
Multi-view Convolutional Neural Networks for 3D Shape Recognition文章出自2015年ICCV, code & data戳这里：http://vis-www.cs.umass.edu/mvcnn/ 本文立意之处：represent 3D shape 的descriptor种类繁多，最直观的descriptor生成自native 3D f
Single Image Dehazing via Multi-Scale Convolutional Neural Networks
04-05
海报Single Image Dehazing via Multi-Scale Convolutional Neural Networks
论文阅读：Multi-view Convolutional Neural Networks for 3D Shape Recognition
热门推荐
Simon's Blog
05-25 2万+
阅读一篇ICCV2015的论文：Multi-view Convolutional Neural Networks for 3D Shape Recognition，简称：MVCNN 用物体的三维数据从不同“视角”所得到的二维图，作为原始的训练数据。通过View-pooling层，聚合特征。再通过经典的二维图像卷积网络进行训练，训练出的模型，对三维物体的识别、分类效果之好，比那些用三维数据直接训练出的模型好很多。
论文-Multi-view Convolutional Neural Networks for 3D Shape Recognition
weixin_30454481的博客
03-10 142
Multi-view Convolutional Neural Networks for 3D Shape Recognition 面对3D 模型， 想要识别3D模型，想要识别该3D模型，将目前最热的CNN使用上去，并且首次提出了识别3D模型的CNN网络。 方法是：将3D模型渲染成为一系列的2D images， 实验证明，使用CNN的时候，一系列的2D images 带来的信息比...
【论文精读】Multi-view Convolutional Neural Networks for 3D Shape Recognition
qq_25011449的博客
07-14 7999
Multi-view Convolutional Neural Networks for 3D Shape Recognition 原文地址：Multi-view Convolutional Neural Networks for 3D Shape Recognition 代码和数据：Code and data 这篇文章使用三维物体Multi-view（多视角）的二位渲染图片作为训练数据，基...
MVCNN:Multi-view Convolutional Neural Networks for 3D Shape Recognition
weixin_42974513的博客
11-11 3072
原文链接：https://blog.csdn.net/u010167269/article/details/51498927 ICCV 2015:《Multi-view Convolutional Neural Networks for 3D Shape Recognition》，简称：MVCNN。 创新点： 用物体的三维数据从不同“视角”所得到的二维渲染图，作为原始的训练数据。用经典、成熟的二维...
Fusing Two-Stream Convolutional Neural Networks for RGB-T Object Tracking
02-07
Fusing Two-Stream Convolutional Neural Networks for RGB-T Object Tracking
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
02-08
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
CosRec- 2D Convolutional Neural Networks for Sequential Recommendation-重点分析.pdf
11-29
CosRec- 2D Convolutional Neural Networks for Sequential Recommendation
论文研究-Accelerate convolutional neural networks for binary classification: a cascading cost-sensitive feature approach.pdf
08-22
加速卷积神经网络在二元分类中的速度：级联代价敏感的特征方法，庞俊彪，林辉煌，目前,卷积神经网络在很多计算机视觉任务上都取得了领先的性能。但是,卷积神经网络的计算复杂度非常高。实证结果发现,卷积神经网络
Multi-view Convolutional Neural Networks for 3D Shape Recognition论文综述（15）
qq_42575422的博客
07-17 585
为什么要做这个研究（理论走向和目前缺陷） ? 直接用体素训练的方法效果很差，还没有把网格面的三维出来投影出来训练的效果好，主要是由于体素分辨率不够。 他们怎么做这个研究 （方法，尤其是与之前不同之处） ? 提出将网格面投影成多个视角图片，分别提取特征，然后进行特征融合，再提取特征进行分类。 发现了什么（总结结果，补充和理论的关系）? 效果比直接在体素数据上训练强很多。 MVCNN缺点，智能做分类...
【点云处理之狂读论文经典篇2】——Multi-view Convolutional Neural Networks for 3D Shape Recognition
yuanmiyu6522的博客
05-01 1282
MVCNN：一种用于3D形状识别的多视图卷积神经网络摘要1. 引言2. 相关工作3. 方法3.1 Input: A Multi-view Representation3.2 Recognition with Multi-view Representations3.3 Multi-view CNN: Learning to Aggregate Views4. 实验4.1 3D Shape Classification and Retrieval4.2 Sketch Recognition: Jittering
(还有疑问没解决)Multi-view Convolutional Neural Networks for 3D Shape Recognition论文阅读（ICCV2015）
PredragonTC的博客
08-15 468
MVCNN论文阅读InputRecognitionimage descriptorsclassificationretrieval measureAggregateLow-rank Mahalanobis metric如何插入一段漂亮的代码片 Input 这部分还需要结合代码来看，一会儿更新。 Recognition image descriptors 使用VGG-M模型，主要结构为 conv[1...
Convolutional Neural Networks for Visual Recognition 3
weixin_30776863的博客
06-20 90
Gradient Computing 前面我们介绍过分类器模型一般包含两大部分，一部分是score function，将输入的原始数据映射到每一类的score，另外一个重要组成部分是loss function，计算预测值 与实际值之间的误差，具体地，给定一个线性分类函数：f(xi;W)=Wxi，我们定义如下的loss function： L=1N∑i∑j≠y...
3D CNN for AD论文阅读（一）--Attention-based 3D Convolutional Network for Alzheimer's Disease Diagnosis
咸yu奶糖的博客
03-31 2301
文章目录论文：《Attention-based 3D Convolutional Network for Alzheimer’s Disease Diagnosis and Biomarkers Exploraion》摘要背景贡献实验模型搭建数据和预处理训练参数结果 论文：《Attention-based 3D Convolutional Network for Alzheimer’s Disea...
基于3D卷积神经网络的行为识别：3D Convolutional Neural Networks for Human Action Recognition...
diezhengnian3148的博客
11-29 1692
简介： 这是一片发表在TPAMI上的文章，可以看见作者有余凯（是百度的那个余凯吗？） 本文提出了一种3D神经网络：通过在神经网络的输入中增加时间这个维度（连续帧），赋予神经网络行为识别的功能。 相应提出了一种3D卷积，对三幅连续帧用一个3D卷积核进行卷积（可以理解为用三个二维卷积核卷积三张图）。 3D神经网络结构图： input—>H1 ...
论文阅读 Semantic Graph Convolutional Networks for 3D Human Pose Regression
xiongyuqing的博客
03-25 1188
Semantic Graph Convolutional Networks for 3D Human Pose Regression 使用语义图卷积网络对三维人体姿态进行回归 Abstract 在这篇论文中，我们研究了学习Graph Convolutional Networks (GCNs)进行回归的问题。目前GCNs的结构局限于卷积滤波器的小接收域和每个节点的共享变换矩阵。为了解决这些限制，我们提出了语义图卷积网络(SemGCN)，这是一种新的神经网络体系结构，使用图结构数据操作回归任务。SemGCN学习
【论文翻译】Semantic Graph Convolutional Networks for 3D Human Pose Regression
weixin_42265958的博客
07-18 965
文章目录Semantic Graph Convolutional Networks for 3D Human Pose Regression CVPR2019 （开源）项目地址Abstract1. IntroductionContributions2. Related Works**Graph convolutional networks****3D pose estimation**3. Semantic Graph Convolutional Networks3.1 ResGCN: A Baselin
mvcnn阅读
zpc17875305019的博客
11-05 1505
mvcnn(Multi-view Convolutional Neural Networks for 3D Shape Recognition) Abstract 2D图像上的渲染视图合中识别三维形状 提出了一个标准的CNN体系结构，经过训练来识别形状相互独立的渲染视图，并表明，即使可以从单个视图中识别3D形状，其精度远远高于使用最先进的3D形状描述符。 当提供了形状的多个视图时，识别率会进一步提高。 二维视图的集合可以为三维形状识别提供很高的信息，并且适用于新兴的CNN架构及其衍生物 1.
mg-tar: multi-view graph convolutional networks for traffic accident risk pr
最新发布
11-14
与传统的基于统计模型和机器学习方法不同，mg-tar可以自动从数据中学习交通事故的模式和规律，而无需人工定义特征和规则。这使得mg-tar能够更好地适应交通数据的变化和不确定性。 总之，mg-tar是一种使用多视图图...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值