3D网格分割：通过多分支1D卷积神经网络
摘要：应用深度学习进行三维网格分割的兴趣不断增加。我们观察到，1）现有的基于特征的技术常常速度较慢或对特征调整大小敏感，2）比较研究较少，3）技术常常存在可重复性问题。本研究有两方面的贡献。首先，我们提出了一种新的用于网格分割的卷积神经网络（CNN）。它使用1D数据、滤波器和多分支架构来单独训练多尺度特征。结合一种新的计算共形因子（CF）的方法，我们的技术明显优于现有工作。其次，我们公开提供了几种深度学习技术的实现，包括神经网络（NNs）、自编码器（AEs）和CNNs，它们的结构至少有两层。本研究的意义在于提出了一种稳健的CF形式，提供了一种新颖准确的CNN技术，以及对几种深度学习技术进行全面研究以进行基准比较。
作者：David George, Xianghua Xie and Gary KL Tam
论文ID：1705.11050
分类：Graphics
分类简称：cs.GR
提交时间：2018-02-09