MSDCNN:用于细粒度3D形状分类的多尺度扩展卷积神经网络
Wei Zhou1, Fujian Zheng2, Yiheng Zhao1
1College of Intelligent Technology and Engineering, Chongqing University of Science and Technology, Chongqing 401331, PR China.
概括
这项研究引入了一种新的多尺度扩展卷积神经网络 (MSDCNN),用于细粒度3D形状分类. MSDCNN有效地增强了从多视图数据中提取特征,提高了对3D形状之间的微妙差异的分类准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 多视图深度神经网络擅长3D形状分类.
- 全球特征经常错过细微的细节和空间关系,阻碍了子类别的识别.
- 现有的方法在3D形状子类别之间存在微妙的变化.
研究的目的:
- 提出一种新的多尺度扩展卷积神经网络 (MSDCNN),用于多视图细粒度3D形状分类.
- 增强从多视图3D形状数据中提取上下文信息和空间关系.
- 为了提高分类3D形状的准确性,具有较小的类间差异.
主要方法:
- 一个序列视图捕获模块可对3D形状进行12个视图的染.
- ResNeXt50提取每个视图的语义特征,汇总成一个全球混合特征地图.
- 一个注意力扩展模块 (ADM) 与注意力扩展块 (ADB) 增强了使用扩展卷曲和注意力机制的上下文.
- 带有标签光滑的预测模块对增强的功能进行分类.
主要成果:
- 拟议的MSDCNN框架在ModelNet10,ModelNet40和FG3D数据集上进行了实验验证.
- 实验结果证明了MSDCNN在细粒度3D形状分类方面的有效性.
- 该方法在识别精确分类至关重要的微妙变异方面表现出优越性.
结论:
- 开发的MSDCNN框架显著改善了多视图细粒度3D形状分类.
- 多尺度扩展卷曲和注意力机制的整合增强了特征表示.
- 拟议的方法为具有挑战性的3D形状分类任务提供了卓越的解决方案.
