文献

J-GLOBAL ID：202002241348602972   整理番号：20A1714500

マルチビューリカレントニューラルネットワークに基づく3D形状の細粒認識【JST・京大機械翻訳】

Fine-grained Recognition of 3D Shapes Based on Multi-view Recurrent Neural Network

著者 (3件)： Dong Shuai (University of Electronic Science and Technology of China, Zhongshan Institute, Zhongshan, China) ,  Zou Kun (University of Electronic Science and Technology of China, Zhongshan Institute, Zhongshan, China) ,  Li Wensheng (University of Electronic Science and Technology of China, Zhongshan Institute, Zhongshan, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICMLC 2020  ページ： 152-156  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： マルチビュー畳み込みニューラルネットワーク(MVCNN)は,3D形状認識タスクにおける3Dモデリング記述子に基づくそれらの方法より,より正確で,より高速であることを証明した。本研究では,MVCNNを3つの観点から改善した。第1に,MVCNNを訓練し,ModelNetデータセット上で検証し,その視点を固定位置で12または20カメラから表示した。この設定と実際の応用の間に大きなギャップが存在するので,自由位置で各物体に対して100の見解を与える別の合成マルチビューデータセットMV3Dを作成した。第二に,リカレントニューラルネットワーク(RNN)を採用して,MVRNNと呼ばれる最大プール操作の代わりにマルチビュー特徴を融合させた。RNNは,フュージョンと損失外観情報を融合するビューの量に必要がない。最後に,MVRNNを訓練するために,融合特徴の識別を考慮した損失関数を定義した。新しい損失関数は,融合特徴の識別を改善し,認識精度を改善する。比較は,ModelNetデータセットとMV3Dデータセットの両方に関して実行して,結果はMVRNNがより高い正確さを達成することを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： カメラ ,  損失関数 ,  特徴抽出 ,  *三次元 ,  画像検索
準シソーラス用語： *三次元形状 ,  *リカレントニューラルネットワーク ,  認識精度 ,  三次元モデリング ,  *マルチビュー ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (7件)： 3Dオブジェクト ,  キーワード ,  特徴抽出 ,  特徴融合 ,  画像検索 ,  マルチビュー ,  リカレントニューラルネットワーク

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 3D形状 ,  細粒