qq_40864007的博客

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

接上文，通过将DRL插入到CNN中，我们提出了用于3D物体识别的DRCNN算法。而且，每个3D物体视图的特征都是被同一个CNN1提取出来的。然后这些特征点通过提出的DRL形成新的特征从而代表3D物体。然后，作为输入，新的特征传播到CNN2中生成相应的形状描述符来完成分类或检索工作。论文第三部分C部分，讲述MVCNN中的视图层和DRCNN中DRL的关系 作者一上来先说，经过研究发现，MVCNN中的视图池化层是DRL的一种特例。在MVCNN中，视图池化层通过视图用元素级的最大化来进行操作。通过CNN1，我们

本文工作这篇博客主要是对原论文做整体上的概述，并非一句句的翻译，本人水平时间有限。如果有细节上的疑问的话，最好还是下载原文去校对一下，当然也欢迎留言讨论。原文信息先上原文标题：DRCNN: Dynamic Routing Convolutional Neural Network for Multi-View 3D Object Recognition原文作者：Kai Sun, Jiangshe Zhang , Junmin Liu , Member, IEEE, Ruixuan Yu, and Ze

本文工作这篇博客主要是对原论文做整体上的概述，并非一句句的翻译，本人水平时间有限。如果有细节上的疑问的话，最好还是下载原文去校对一下，当然也欢迎留言讨论。原文信息先上原文标题：Hier R-CNN: Instance-Level Human Parts Detection and A New Benchmark原文作者：Lu Yang , Qing Song , Zhihui Wang, Mengjie Hu , and Chun Liu整体概述这篇论文主要做了两个工作：丰富了数据集，提高了