论文笔记：GVCNN: Group-View Convolutional Neural Networks for 3D Shape Recognition

最新推荐文章于 2022-10-25 20:52:29 发布

原创最新推荐文章于 2022-10-25 20:52:29 发布 · 5.7k 阅读

CC 4.0 BY-SA版权

文章标签：

33 篇文章

订阅专栏

33 篇文章

订阅专栏

提出GVCNN模型，改进MVCNN多视图3D形状识别方法，通过分组视角特征提高准确率至93%。采用GoogLeNet提取特征，根据判别力评分对视角分组，利用组内视角池化和组间特征融合增强特征描述子。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GVCNN: Group-View Convolutional Neural Networks for 3D Shape Recognition

要解决什么问题？
- 3D shape recognition。
用了什么方法解决？
- 采用多视图（multi-view）的方法。
- 在MVCNN的基础之上，提出了group-view convolutional neural network（GVCNN）。
- 主要创新之处是将不同视角下CNN提取得到的视觉描述子进行分组，将相类似的划分为一组。因为类似视角下提取到的特征也是相似的。
效果如何？
- 效果是SOTA的。MVCNN在modelnet40上的准确率是91%，这篇文章的GVCNN的准确率达到了93%。
还存在什么问题？
- 由于需要将3维模型投影到多视角下，分别用CNN提取特征，计算量比较大，所提取的特征冗余性也很强。

[外链图片转存失败(img-b58xNGgy-1563675517069)(./fig2.png)]

3D shape recognition中，虽然有基于体素的方法，还有PointNet类直接处理点云，但是目前准确率最高的还是基于多视图的方法，比如MVCNN。
MVCNN的做法就是模拟相机从若干不同的角度拍摄三维物体，得到投影的二维图像，然后分别利用ImageNet下预训练的网络提取特征，随后通过view pooling，即全局最大池化将各视角下的特征聚合起来，再接分类网络。
虽然存在大量的计算冗余，但是MVCNN的做法更近似于对各个视角的图片做ensemble，在准确率上理所当然会有更好的效果。而且对于旋转也能有不错的鲁棒性。
但是作者认为，MVCNN并没有将多视角下特征之间的关系有效地利用起来，这也会在一定程度上限制最后的特征描述子的可区分力。
- 一方面，一些视角彼此相类似，然后有一些则差异较大。这些相似的视角对于3D物体形状的表示所起到的作用应该是同等的。
- 另一方面，有一部分视角则能提取到更有用的特征。
也正是为了解决上述的问题，才提出了GVCNN。

[外链图片转存失败(img-koNn4rUP-1563675517070)(./fig1.png)]

图1中是整个GVCNN的网络架构。
- GVCNN采用GoogLeNet作为基础网络。
- "FCN"是GoogleNet的前5个卷积层。
- 中间的"CNN"指的是也是GoogLeNet。
- "FC"是全连接层。
GVCNN首先从若干不同视角拍摄三维模型的二维图像，每个视角的图像都被送入了第一部分的"FCN"中提取视觉描述子。随后，第二部分的CNN网络进一步提取视觉特征，group模块再根据判别力评分将不同视角的特征子进行分组。最后将各个组的视觉特征描述子通过view pooling（全局池化）聚合到一起。再接上分类网络进行分类。

[外链图片转存失败(img-0X7OIqVR-1563675517070)(./fig4.png)]

Grouping模块主要是为了挖掘不同视角之间的潜在关系，对其进行归类辅助多视角下特征的聚合。
$\xi\left(I_{i}\right)=\operatorname{sigmoid}\left(\log \left(\operatorname{abs}\left(O_{I_{i}}\right)\right)\right)$
- 给定不同视角下的图像： $S=\left\{I_{1}, I_{2}, \cdots, I_{N}\right\}$ 。
- $\left\{O_{I_{1}}, O_{I_{2}}, \cdots, O_{I_{N}}\right\}$ 是"FCN"层的输出。
- 观察到：在输入大于5或小于-5时，sigmoid函数的输出会很接近0或1。作者额外加入了abs和log函数。
- $\xi\left(I_{i}\right)$ 是对第i个视角的判别力评分。
判别力评分的取值范围是 $(0, 1)$ ，将其N等分。并认为，判别力评分在同一区间范围内的视角属于同一组。
接将总计N个视角划分为M个组： $\left\{G_{1}, G_{2}, \cdots, G_{M}\right\}$ ，且 $\leq M \leq N$ 。
我们不需要人为地调整视角数N和组数M，可以让算法自行灵活地调整。
可能也会存在某些组，其中没有任何视角属于它，但并不影响其他组的特征提取。
grouping模块除了可以作为分组的依据，也可以作为融合时每个组的特征所对应的权重，换句话说即attention机制。
组 $G_j$ 的权重为：
- $\xi\left(G_{j}\right)=\frac{\operatorname{Ceil}\left(\xi\left(I_{k}\right) \times\left|G_{j}\right|\right)}{\left|G_{j}\right|} \quad I_{k} \in G_{j}$

$\begin{array}{l}{D\left(G_{j}\right)=\frac{\sum_{i=1}^{N} \lambda_{i} D_{I_{i}}}{\sum_{i=1}^{N} \lambda_{i}}} \\ {\lambda_{i}=\left\{\begin{array}{ll}{1} & {I_{i} \in G_{j}} \\ {0} & {I_{i} \notin G_{j}}\end{array}\right.}\end{array}$
- $D_{I_{i}}$ 是视角 $I_i$ 的视觉特征描述子，而 $D_{G_{j}}$ 是组 $G_{j}$ 的组视觉特征描述子，计算公式如下。

[外链图片转存失败(img-4ll76Ily-1563675517071)(./fig3.png)]

类似于attention机制，对不同组之间的视觉特征进行融合。
$D(S)=\frac{\sum_{j=1}^{M} \xi\left(G_{j}\right) D\left(G_{j}\right)}{\sum_{j=1}^{M} \xi\left(G_{j}\right)}$
- $D (S)$ 是最终的3D形状描述子。
- 整个流程符合一个"view-group-shape"的结构。