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

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