(还有疑问没解决)Multi-view Convolutional Neural Networks for 3D Shape Recognition论文阅读（ICCV2015）

最新推荐文章于 2022-05-01 17:20:14 发布

-MMY

最新推荐文章于 2022-05-01 17:20:14 发布

阅读量547

点赞数

CC 4.0 BY-SA版权

分类专栏：论文阅读

本文链接：https://blog.youkuaiyun.com/PredragonTC/article/details/98080916

论文阅读专栏收录该内容

8 篇文章

订阅专栏

本文介绍了一种利用3D点云的2D视图进行形状识别和检索的方法。通过CNN从多个视角提取特征，进行分类，并利用低秩马氏距离度量提升检索性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Main Idea

利用3D点云的一圈投影的2D view进行CNN提取特征，再整合多个view的特征，进行classification，最后为了提高retrieval的准确率，利用一个映射 $W$ 把神经网络输出的特征 $ϕ\phi$ 映射到一个低维空间上，得到一个更加紧凑的特征 $WϕW\phi$ ，使得同类的shape的特征在定义的distance上个更接近，不同类的更远。

Implement

Matlab CNN库
Caffe

Input

有两种相机安装方式来得到views

假设shape都一致朝着z轴方向，所以在赤道方向每 $30∘{30^ \circ }$ 投影一张图，一共12张图。
shape没有一致的朝向，假想一个正十二面体包围shape，每一个顶点放一个相机，正十二面体有20个顶点，所以有二十张view，然后每个相机沿着穿过相机和shape centroid的轴旋转 $0∘{0^ \circ }$ ， $90∘{90^ \circ }$ ， $180∘{180^ \circ }$ ， $270∘{270^ \circ }$ 产生4个views，一共80个views。这部分代码实现是先定义好旋转矩阵，然后用matlab的mesh函数把mesh画出来然后截图(save figure)。因为不需要深度所以可以不用渲染引擎。
1.（形心好像是由每个面的形心一面积加权得来的？输入是一个CAD模型，shape由许多个mesh表示，这样算形心是可以的，但是点云不行，因为点云都没有面的概念，由点云算形心也是VoteNet要解决的问题）

Recognition

image descriptors

使用VGG-M模型，主要结构为 conv[1…5]+fully layer[6…8]+softmax classification layer。fc7输出作为image descriptors。这部分网络用ImageNet的image预训练，然后用3Dshape的2Dviews进行fine-tune

classification

用one-vs-rest的SVM进行分类，推理的时候直接把12(或者80)个views的值加起来，选择值最高的哪个类作为该shape的分类
（不是前面有一个softmax为什么还要用SVM？？？之后结合代码看看）

retrieval measure

先定义distance or similarity measure如下，其中 ${n_x}$ 为shape $x$ 的descriptor的数量， ${n_y}$ 为shape y的descriptor的数量。 ${x_i}$ 为shape $x$ 的第 $i$ 个2D view的descriptor。

Aggregate

但是很明显，这个distance的定义是 $O(nx×ny)O({n_x} \times {n_y})$ 的所以这种直接用2D views去实现retrieval的效率比较低，所以用了如图所示的结构，在上面所说的image-based CNNs中间加了一个view layer。所有的2D views都如前面所说先通过共享参数的CNN1（前面说的8层网络的的前半部分）然后在view pooling layer进行整合，最后送入CNN2（前面说的8层网络的的后半部分）。view pooling layer就是element-wise maximum operation across the views。经实验证明view layer加在conv5后面是最好的，就是最后一层convolution layer。
（这部分不是很确定还需要代码证实，但是应该是这样）
main structure

Low-rank Mahalanobis metric

前面的fine-tune提升了classification的性能但是retrieval的性能并没有直接的提升。为了提升retireval的性能，利用一个Mahalanobis metric $W{\bf{W}}$ 把前面CNN2出来的 $d$ 维descriptor $ϕ\phi$ 转换为 $p$ 维descriptor $Wϕ{\bf{W}\phi}$ 。使得属于same category的shape 的distance尽量小，different category的shape 的distance尽量大。 $W{\bf{W}}$ 是一个在数据中心学出来的参数，下面说学习策略。定义 $a = 1$ if shape $x\bf{x}$ and shape $y\bf{y}$ belong to same category and $a = - 1$ otherwise。所以对于全部的train shape，有 $d(\bf{x},\bf{y})) > 1$ 。其中b 是一个阈值， $d(x,y)>bd(\bf{x},\bf{y})>b$ 就认为shape $x\bf{x}$ 和shape $y\bf{y}$ 是same category，b也是一个需要学习的参数。所以目标函数如下：
$arg⁡min⁡W,b∑x,ymax⁡[1−a(b−d(x,y;W)),0]\arg \mathop {\min }\limits_{{\bf{W}},b} \sum\limits_{{\bf{x}},{\bf{y}}} {\max [1 - {\rm{a}}(b - d({\bf{x}},{\bf{y}};{\bf{W}})),0]}$
（单独训练or与CNN一起训练？，猜测是用classification训练一个可以得到descriptor的网络，然后直接用这个网络得到的descriptor去训练这个 $W{\bf{W}}$ 和 $b$ ）