1_3D ShapeNets: A Deep Representation for Volumetric Shapes 2015 论文笔记

这篇论文提出了一种3D ShapeNets的深层表示法,使用卷积深度信念网络(CDBN)解决3D形状分类、检索和2.5D识别问题。通过在大型CAD数据集Modelnet上训练,模型能够从2.5D深度图重建3D形状,且在实验中展现出优越的性能。尽管识别精度相对于当前标准可能不高,但该方法为3D形状处理提供了新思路。
摘要由CSDN通过智能技术生成

体积形状的深层表示法

代码笔记:http://www.adv-ci.com/blog/source/cdbn/

作者:Zhirong Wu等人

1、解决的问题

前人大部分依赖对模型的部分进行标记和训练网络。

因为用3D数据进行目标检测和从2.5维图像中重构3D形状是个问题

还有种类识别问题

2、创新点

提出用卷积深度信念网络(Convolutional Deep Belief Network,CDBN)将几何3D形状表示为3D体素网格上二元变量的概率分布。

为了训练3D深度学习模型,构建了大型CAD数据集-Modelnet

(1)学习不同种类不同姿势的3D形状的分布,并得到层次表达

(2)支持联合目标识别,且可以从2.5D深度图中复原为3D图像,通过视图规划可以进行激活目标识别

3、优点

使用CAD数据作为训练数据,使用卷积DBN网络构建了一个3D ShapeNets,对Kinect传感器获取的2.5D深度图进行目标识别和复原全3D形状。

识别精度优于比较方法。

4、缺点

识别精度不高对于现在来说不高。

5、算法原理

5.1、  3D ShapeNets

每个三维网格表示为二进制张量:1表示体素在网格表面内部,0表示体素在网格外部(即为空空间)。 实验中的网格大小是30×30×30。

为了表示这些二元变量在三维形状中的概率分布,设计了卷积深度信息网络(CDBN)。

  因为一个合理分辨率的体素块使用全连通DBN会导致大量的参数,使得模型无法有效训

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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