DRCNN: Dynamic Routing Convolutional Neural Network for Multi-View 3D Object Recognition（3）

接上文，
论文第四部分B部分，3D形状检索 还是一上来先说用的数据集的详细情况还有用的哪些指标，这里就不赘述了。总之用了论文23中ModelNet40数据集和论文31中SHREC’14数据集。然后用了论文32中mean Average Precision (mAP)、论文33中Nearest Neighbor (NN)、论文34中First Tier (FT)、论文35中 second tier (ST)、论文36中 E-measure(E)、论文37中Discounted Cumulative Gain (DCG)这些评价指标。
下来作者说了自己的实验设置，对于一般的3D形状检索的核心网络，对于ModelNet40数据集作者采用ResNet18和ResNet50；对于ModelNet10数据集，作者采用VGG-19和ResNet18。ResNet18和ResNet50用的转换矩阵都是12×1的，其他的实验设置和前面的识别任务中的设置一样。VGG-19采用的转换矩阵为12×49的。作者在测试ModelNet40数据集时，在DRCNN上还加了论文44中的中心损失函数来进一步改善实验效果。在基于草图的3D形状检索任务中，作者对于2D图片和草图，要么是都使用论文45中的AlexNets，要么是一个使用VGG-M一个使用ResNet50去提取特征。在AlexNet中，DRL被放置于第一个全连接层之前以得到3D形状的表示。其转换矩阵大小为12×36。在VGG-M中，设置同前。类似于论文46中的Triplet-Center loss，我们假定来自两个不同区域的深度特征共享同一个中心和分类器。结合softmax loss Ls和中心损失函数Lc，我们用Ls+λLc训练在ImageNet数据集上预训练过的网络模型。（两个都是 AlexNets或者一个是VGG-M一个是ResNet50）为了平衡两个损失函数，λ设置为0.1。视图的数量都设置为12。所有模型都用Adam优化器进行训练。
下来作者在ModelNet40数据集上做了一般3D模型的检索实验，实验结果如下：



下来作者在ModelNet10数据集上做了一般3D模型的检索实验，实验结果如下：

下来作者做了基于草图的3D模型的检索实验，实验结果如下：


总之这一部分也是评测模型，基本都是说自己效果怎么好，根据实验表格、实验图，发现自己算法有明显优势这样的。所以这部分依旧是直接上的实验数据。

总结

这篇论文，作者通过修改动态路径规划算法提出了DRL去融合多视图中的特征。DRL可以在视图池化层动态的选取特征且不忽略最明显的特征。然后作者还用DRL构造了DRCNN算法用于3D物体识别。在公共数据集上系统的实验论证了算法的高效性。而且作者提出的DRL可以像MVCNN中的视图池化层一样加入到几乎任何两个神经网络中相邻的层之间。而且作为一个有效的融合信息的算法，提出的DRL可以应用到很多领域例如图像融合、多模态数据的整合。

参考文献

由于原文有55篇参考文献，太占篇幅了而且直接粘过来格式会出问题，所以有兴趣的小伙伴还是找下原文吧。