码迷,mamicode.com
首页 > 其他好文 > 详细

3d face paper

时间:2019-04-02 14:07:06      阅读:162      评论:0      收藏:0      [点我收藏+]

标签:图像   distance   bsp   nts   计时   ace   多少   表达   .com   

FPNN: Field Probing Neural Networks for 3D Data。

宗旨:本文旨在通过cnn学习3D的形状表达,网络设计时考虑的两个因素分别是:1. 特征应该具有很好的判别性。2. 特征提取的时效性。

2D 3D图像的差别:1.3D图像随着像素分别率的提高,surface的网格占用变得越来越稀疏。见图1. 2.  随着像素分辨率的增长,局部3D模块的判别性降低。

图1.技术图片

结论:为了获得判别性的特征,应该考虑长距离的连接,长距离的连接需要大的3Dfilters, 但是这将带来很大的计算开支。 为了处理这个问题,本文将3D 数据表示成3D fileds,并且提出一种fileds probing 机制,通过probing filters对输入进行采样,probing filters 由probing points构成。probing points决定了filter的形状和位置。

Compution of filed probing scheme: 由probing filter 的数量以及每个filter有多少probing points决定,不随分辨率的改变而变化的比较快。

 

Field Probing Neural Networks

1. input3D fileds

网络的输入为输入形状的3D向量场,输出为类别标签。3D形状被表示为网格或者点云,,网络或者点云能够被转换成3D distance fileds。

输入的转换见图2.技术图片

2. Filed probing layers(由三层构成,分别是: sensor layer, dotproduct layer  and faussian layer)

 

2.1 sensor layer (在前像传播时候收集信息,在反向传播时更新probing points 的位置)

 

 

2.2 dotproduct layer (sensor layer的输出与probing filter权重的点乘)

 

2.3 gaussian layer (将distance field 转换成更加友好以及计算量小的表示)

 

2.4 architecture见图3

技术图片

 

results

速度:

技术图片

网络深度

技术图片

与其他方法的对比

技术图片

 

3d face paper

标签:图像   distance   bsp   nts   计时   ace   多少   表达   .com   

原文地址:https://www.cnblogs.com/ahuzcl/p/10641306.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!