RIM-Net:階層的形状構造の教師なし学習のための再帰的陰的場【JST・京大機械翻訳】

Niu Chengjie; Li Manyi; Xu Kai; Zhang Hao

プレプリント

J-GLOBAL ID：202202204230601916 整理番号：22P0281923

RIM-Net:階層的形状構造の教師なし学習のための再帰的陰的場【JST・京大機械翻訳】

RIM-Net: Recursive Implicit Fields for Unsupervised Learning of Hierarchical Shape Structures

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月30日プレプリントサーバーでの情報更新日： 2022年03月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

階層的形状構造の教師なし推論のために再帰的暗黙場を学習するニューラルネットワークであるRIM-Netを導入した。このネットワークは,入力3D形状を2つの部分に再帰的に分解し,二値ツリー階層構造をもたらす。ツリーの各レベルは,入力形状を再構成するために陰関数として表される形状部品の組立に対応する。ツリーの各ノードにおいて,同時特徴復号化と形状分解を,それらのそれぞれの特性と部分復号器によって,同じ階層構造レベルにわたる重み共有によって実行した。陰的場復号器として,部分復号器は,2方向分岐再構成により,サブ形状を分解するように設計され,そこでは,各分岐が,形状再構成のための局所点分布として機能するGaussを定義する一連のパラメータを予測する。再構成損失は各階層レベルで説明され,各ノードでの分解損失で,著者らのネットワーク訓練は,いかなる地上-トラスセグメンテーションも必要としない。広範な実験と最先端の代替案との比較を通して,RIM-Netによる階層的構造推論の品質,一貫性,解釈可能性を実証した。【JST・京大機械翻訳】

, , , , , , , ,
, , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般

前のページに戻る