基于多视图循环神经网络的三维物体识别

• 作者: 张文强 李文生 董帅 邹昆
• 来源期刊: 电子科技大学学报
• 学科: 工学
• 关键词: 三维物体 特征提取 特征融合 图像检索 多视图
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 计算机工程与应用
• 页码范围: 269-275
• 页数: 7页
• 分类号: TP391.4
• 字数: 4924字
• 语种: 中文
• DOI: 10.12178/1001-0548.2019017

摘要

对于三维物体的识别任务,基于多视图卷积神经网络的方法(MVCNN)在准确性和训练速度等方面都优于基于三维数据表示的方法.但MVCNN依赖于三维模型,且采用了固定视角的视图,不符合实际的应用场景;此外,其视图特征融合采用了最大值池化操作,会损失部分原始特征信息.针对这一问题,该文提出了一种基于多视图循环神经网络(MVRNN)的三维物体识别方法,从3个方面对MVCNN进行改进.首先,在交叉熵损失函数中引入特征辨识度指标,以提高不同物体特征之间的辨识度;其次,使用循环神经网络代替MVCNN的最大值池化操作来融合多个自由视觉视图特征,得到一个更加紧凑且物体外观信息完备的融合特征;最后,利用二分类网络对自由视角单视图特征和融合特征进行匹配,实现三维物体的细粒度识别.为了验证MVRNN的性能,分别在公开数据集ModelNet和自建数据集MV3D上进行对比实验.实验结果表明,与MVCNN相比,MVRNN提取的多视图特征具有更高的辨识度,在两个数据集上的识别准确率均较有明显提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李文生	电子科技大学中山学院	55	361	11.0	15.0
2	邹昆	电子科技大学中山学院	35	98	6.0	8.0
3	董帅	电子科技大学中山学院	2	0	0.0	0.0
4	张文强	电子科技大学中山学院	1	0	0.0	0.0