クロスドメイン形状類似性学習のためのテクスチャ合成によるハード例生成【JST・京大機械翻訳】

Fu Huan; Li Shunming; Jia Rongfei; Gong Mingming; Zhao Binqiang; Tao Dacheng

プレプリント

J-GLOBAL ID：202202205534336220 整理番号：22P0203295

クロスドメイン形状類似性学習のためのテクスチャ合成によるハード例生成【JST・京大機械翻訳】

Hard Example Generation by Texture Synthesis for Cross-domain Shape Similarity Learning

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 (6件)： , , , , ,
資料名：
発行年： 2020年10月23日プレプリントサーバーでの情報更新日： 2020年10月26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)

画像ベースの3D形状検索(IBSR)は,大きな3D形状データベースから与えられた2D画像の対応する3D形状を見つけることを目的とする。一般的ルーチンは,2D画像と3D形状を埋込み空間に写像し,形状類似性測度を定義(または学習)することである。いくつかの適応技法によるメトリック学習は,類似性学習の自然な解決策であるように見えるが,その性能は細粒形状検索のためにしばしば不満足である。本論文では,貧弱な性能の源を同定し,この問題に対する実用的な解決策を提案した。負対間の形状差は,テクスチャギャップともつれ,負の対を押し出すのに有効でないメトリック学習を生成することを見出した。この課題に取り組むために,テクスチャ合成により出力された形状焦点マルチビューメトリック学習フレームワークを開発した。3D形状モデルのためのテクスチャの合成は,ハード三重項を生成し,2D画像における豊富なテクスチャの悪影響を抑制し,それにより,ネットワークを,幾何学的特性の発見に,より集中させる。著者らのアプローチは,Pix3D[2],Stanford Cars[3],およびComp Cars[4]を含む3つの広く研究されているベンチマークと同様に,最近公開された大規模3D-FUTURE[1]リポジトリに関する最先端の性能を示した。コードは,https://github.com/3D FRONT FUTURE/IBSR textureで公的に利用できる。【JST・京大機械翻訳】

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

図形・画像処理一般 , 人工知能

, , ,

前のページに戻る