动态奇异值网络的三维模型识别

摘要 卷积神经网络的兴起产生了大量基于视图的三维模型识别方法，不同的视图融合方式影响了网络模型的特征提取性能.本文提出了一种自适应视图融合方法，将视图的动态奇异值信息作为三维模型的特征描述符，获得三维模型全局特征的方式由区域化分块、自适应SVD（Singular Value Decomposition）分解和维度压缩三部分组成，通过分块后的子区域极大地关注三维模型的局部特征，并用自适应的方法判断每个局部特征的影响大小，最后维度压缩去除较小影响的数值.动态奇异值网络是将这三部分作为卷积神经网络的后端，形成一个端对端（end to end）可训练的三维模型特征提取框架.与当今先进方法相比，在ModelNet40数据集上的分类和检索结果分别提升了1.2%和0.8%，在ModelNet10和ModelNet40的Top-10平均检索精度分别提高了3.7%和4%