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。
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
最低0.47元/天 解锁文章
扫一扫
4984
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
