典型文献
利用隐式解码器的三维模型簇协同分割
文献摘要：
目的 为建立3维模型语义部件之间的对应关系并实现模型自动分割,提出一种利用隐式解码器(implicit decoder,IM-decoder)的无监督3维模型簇协同分割网络.方法 首先对3维点云模型进行体素化操作,进而由CNN-encoder(convolutional neural network encoder)提取体素化点云模型的特征,并将模型信息映射至特征空间.然后使用注意力模块聚合3维模型相邻点特征,将聚合特征与3维点坐标作为IM-decoder的输入来增强模型的空间感知能力,并输出采样点相对于模型部件的内外状态.最后使用max pooling聚合解码器生成的隐式场,以得到模型的协同分割结果.结果 实验结果表明,本文算法在ShapeNet Part数据集上的mIoU(mean intersection-over-union)为62.1％,与目前已知的两类无监督3维点云模型分割方法相比,分别提高了22.5％和18.9％,分割性能得到了极大提升.与两种有监督方法相比,分别降低了19.3％和20.2％,但其在部件数较少的模型上可获得更优的分割效果.相比于使用交叉熵函数作为重构损失函数,本文使用均方差函数可获得更高的分割准确率,mIoU提高了26.3％.结论 与当前主流的无监督分割算法相比,本文利用隐式解码器进行3维模型簇协同分割的无监督方法分割准确率更高.
文献关键词：
协同分割;模型簇;隐式解码器;注意力模块;无监督
中图分类号：
作者姓名：
杨军;张敏敏
作者机构：
兰州交通大学测绘与地理信息学院,兰州 730070;兰州交通大学自动化与电气工程学院, 兰州 730070
文献出处：
引用格式：
[1]杨军;张敏敏-.利用隐式解码器的三维模型簇协同分割)[J].中国图象图形学报,2022(02):550-561
A类：
隐式解码器,协同分割
B类：
三维模型簇,义部,自动分割,implicit,decoder,IM,分割网络,点云模型,体素化,encoder,convolutional,neural,network,特征空间,注意力模块,邻点,点特征,聚合特征,增强模型,空间感知能力,采样点,max,pooling,ShapeNet,Part,mIoU,mean,intersection,over,union,模型分割,分割方法,有监督,件数,分割效果,交叉熵函数,损失函数,方差函数,分割算法,无监督方法
AB值：
0.323015
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
