×
杨宝荣；姚俊峰；王斌；胡建伟；潘一玲；潘天祥；王文平；郭晓虎

P2MAT-NET：从稀疏点云学习中轴变换。 （英语） Zbl 1508.68392号

计算。辅助Geom。设计。 80，文章ID 101874，12 p.（2020）.
摘要：三维形状的中轴变换（MAT）包括最大内切球体的中心和半径集，是一个完整的形状描述符，可用于重建原始形状。它是一种紧凑的表示，联合描述给定形状的几何体、拓扑和对称属性。在这项工作中，我们提出了P2MAT-NET，这是一种学习稀疏点云模式并将其转换为近似于MAT的球体的神经网络。实验结果表明，P2MAT-NET在从点云计算MAT方面表现出比现有方法更好的性能，就MAT质量而言，以近似3D形状。计算出的MAT可以用作下游应用程序的中间描述符，例如从点云进行3D形状识别。我们的结果表明，使用最先进的方法，它可以获得具有竞争力的识别性能。

引用于1文件

MSC公司：

68单位05 计算机图形；计算几何（数字和算法方面）
68T05型 人工智能中的学习和自适应系统
68吨10 模式识别、语音识别

关键词：

中轴变换；神经网络；点云

软件：

CGAL公司；动力外壳；Q-MAT公司；PointNet（点网）；PointCNN（美国有线电视新闻网）；Q-MAT公司+；PCP网络
PDF格式BibTeX公司 XML格式引用
\textit{B.Yang}等人，计算。辅助Geom。设计。80，文章ID 101874，12 p.（2020；Zbl 1508.68392）
全文： DOI程序

参考文献：

[1] 阿蒙塔，N。；Bern，M.，通过Voronoi滤波进行曲面重建，离散计算。地理。，22, 481-504 (1999) ·Zbl 0939.68138号
[2] 阿蒙塔，N。；Choi，S。；Kolluri，R.K.，《动力外壳》（ACM固体建模研讨会论文集（2001）），244-266
[3] Ben-Shabat，Y。；林登鲍姆，M。；Fischer，A.，Nesti-net：使用卷积神经网络对非结构化三维点云进行正常估计，（IEEE计算机视觉和模式识别会议（2019）），10112-10120
[4] 伯杰，M。；莱文，J.A。；Nonato，L.G。；Taubin，G。；Silva，C.T.，表面重建基准，ACM Trans。图表。，32，第20条，第（2013）页·Zbl 1322.68211号
[5] Berkiten，S。；Halber，M。；所罗门，J。；马，C。；李，H。；Rusinkiewicz，S.，基于几何特征的学习细节传递，计算。图表。论坛，361-373（2017）
[6] Blum，H.，提取新形状描述符的转换，（语音和视觉形式感知模型，第19卷（1967）），362-380
[7] 格雷罗，P。；Kleiman，Y。；奥夫斯亚尼科夫，M。；Mitra，N.J.，PCPNet:从原始点云学习局部形状特性，计算。图表。论坛，37，75-85（2018）
[8] 胡，J。；王，B。；钱，L。；潘，Y。；郭，X。；刘，L。；Wang，W.，MAT-Net：用于三维物体识别的中轴变换网络，（国际人工智能联合会议论文集（2019）），774-781
[9] 黄，Z。；卡尔，N。；Ju，T.，变分隐式点集曲面，ACM Trans。图表。，38，第124条pp.（2019）
[10] Kazhdan，M。；Hoppe，H.，屏蔽泊松曲面重建，ACM Trans。图表。，32，第29条pp.（2013）·Zbl 1322.68228号
[11] Kazhdan，M。；博利索，M。；Hoppe，H.，Poisson曲面重建，（2006年欧洲制图几何处理研讨会论文集），61-70
[12] 李，J。；陈，B.M。；Lee，G.H.，SO-Net：点云分析的自组织网络，（IEEE计算机视觉和模式识别会议论文集（CVPR’18）（2018）），9397-9406
[13] 李，P。；王，B。；Sun，F。；郭，X。；张，C。；Wang，W.，Q-MAT：通过二次误差最小化计算中轴变换，ACM Trans。图表。，35 (2015)
[14] 李毅。；布，R。；孙，M。；Wu，W。；Di，X。；Chen，B.，PointCNN:x变换点上的卷积，（神经信息处理系统国际会议论文集（NeurIPS’18）（2018）），828-838
[15] 卢·W。；施，Z。；Sun，J。；Wang，B.，基于修正高斯公式的曲面重建，ACM Trans。图表。，38，第2条pp.（2018）
[16] 马，J。；Bae，S.W。；Choi，S.，使用最近邻和法向场Vis进行三维中轴点近似。计算。，28, 7-19 (2012)
[17] 蒙蒂，F。；博斯凯尼博士。；Masci，J。；罗德拉，E。；斯沃博达，J。；Bronstein，M.M.，使用混合模型CNN对图形和流形进行几何深度学习，（IEEE计算机视觉和模式识别会议论文集（CVPR’17）（2017）），5425-5434
[18] 潘，Y。；王，B。；郭，X。；曾浩。；马云（Ma，Y.）。；Wang，W.，Q-MAT+：一种用于中轴变换的误差可控且特征敏感的简化算法，计算。辅助Geom。设计。，71，16-29（2019）·Zbl 1505.65135号
[19] 齐，C.R。；苏，H。；莫（Mo，K.）。；Guibas，L.J.，PointNet:三维分类和分割的点集深度学习，（IEEE计算机视觉和模式识别会议论文集（CVPR’17）（2017）），652-660
[20] 齐，C.R。；Yi，L。；苏，H。；Guibas，L.J.，PointNet++：度量空间中点集的深度分层特征学习，（神经信息处理系统国际会议论文集（NeurIPS’17）（2017）），5105-5114
[21] Rebain，D。；角度，B。；瓦伦丁，J.P.C。；北维宁。；Peethambaran，J。；伊扎迪，S。；Tagliasacchi，A.，LSMAT最小二乘中轴变换，计算。图表。论坛（2019）
[22] Sun，F。；Choi，Y.K。；Yu，Y。；Wang，W.，《Medial mesh–一种紧凑而准确的中轴变换表示法》，IEEE Trans。视觉。计算。图表。，22, 1278-1290 (2016)
[23] Tagliasacchi，A。；德莱姆，T。；Spagnuolo，M。；阿蒙塔，N。；Telea，A.，《3D骨架：最新报告》，《计算机》。图表。论坛，35573-597（2016）
[24] Tang，J。；韩，X。；潘，J。；贾凯。；Tong，X.，一种基于骨架的深度学习方法，用于从单个RGB图像生成复杂拓扑的网格，（IEEE计算机视觉和模式识别会议论文集（CVPR’19）（2019）），4541-4550
[25] CGAL项目、CGAL用户和参考手册（2019年），4.14版，CGAL编辑委员会
[26] Thiery，J.M。；盖伊，E。；Boubekeur，T.，《球面网格：使用球面二次误差度量的形状近似》，ACM Trans。图表。，32, 1 (2013)
[27] 王，P.S。；刘，Y。；郭永新。；Sun，C.Y。；Tong，X.，O-CNN:三维形状分析的基于八叉树的卷积神经网络，ACM Trans。图表。，36 (2017)
[28] 王，C。；Samari，B。；Siddiqi，K.，用于点集特征学习的局部谱图卷积，（欧洲计算机视觉会议论文集（ECCV’18）（2018）），56-71
[29] 王，S。；苏，S。；马伟（Ma，W.）。；波克罗夫斯基，A。；Urtasun，R.，深参数连续卷积神经网络，（IEEE计算机视觉和模式识别会议论文集（CVPR’18）（2018）），2589-2597
[30] Wang，Y。；孙，Y。；刘，Z。；Sarma，S.E。；Bronstein，M.M。；Solomon，J.M.，《点云学习CNN动态图》，ACM Trans。图表。（TOG）（2019年）
[31] 吴，Z。；Song，S。；科斯拉，A。；余，F。；张，L。；唐，X。；Xiao，J.，3D ShapeNets:立体形状的深度表示，（IEEE计算机视觉和模式识别会议论文集（CVPR’15）（2015）），1912-1920
[32] 杨，B。；姚，J。；Guo，X.，DMAT：用于动画网格近似的可变形中轴变换，计算。图表。论坛，37，301-311（2018）
[33] 伊凡·W。；Wu，S。；黄，H。；科恩·奥尔，D。；Sorkine-Hornung，O.，基于补丁的渐进式三维点集上采样，（IEEE计算机视觉和模式识别会议（2019）），5951-5960
[34] 尹，K。；黄，H。；科恩·奥尔，D。；Zhang，H.，P2P-NET：用于形状变换的双向点位移网，ACM Trans。图表。，37 (2018)
[35] Yu，L。；李，X。；傅中伟。；科恩·奥尔，D。；Heng，P.A.，《Ec-net：边缘感知点集合并网络》，（ECCV（2018）），386-402
[36] Yu，L。；李，X。；傅中伟。；科恩·奥尔，D。；Heng，P.A.，Pu-net：点云上采样网络，（IEEE计算机视觉和模式识别会议论文集（2018）），2790-2799
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。