FPNN: Field Probing Neural Networks for 3D Data。

宗旨：本文旨在通過cnn學習3D的形狀表達，網絡設計時考慮的兩個因素分別是：1. 特征應該具有很好的判別性。2. 特征提取的時效性。

2D 3D圖像的差別：1.3D圖像隨著像素分別率的提高，surface的網格占用變得越來越稀疏。見圖1. 2.? 隨著像素分辨率的增長，局部3D模塊的判別性降低。

圖1.

結論：為了獲得判別性的特征，應該考慮長距離的連接，長距離的連接需要大的3Dfilters, 但是這將帶來很大的計算開支。 為了處理這個問題，本文將3D 數據表示成3D fileds,并且提出一種fileds probing 機制，通過probing filters對輸入進行采樣，probing filters 由probing points構成。probing points決定了filter的形狀和位置。

Compution?of filed probing scheme: 由probing filter 的數量以及每個filter有多少probing points決定,不隨分辨率的改變而變化的比較快。

?

Field Probing Neural Networks

1. input3D fileds

網絡的輸入為輸入形狀的3D向量場，輸出為類別標簽。3D形狀被表示為網格或者點云，，網絡或者點云能夠被轉換成3D distance fileds。

輸入的轉換見圖2.

2. Filed probing layers(由三層構成，分別是： sensor layer, dotproduct layer? and faussian layer)

?

2.1 sensor layer (在前像傳播時候收集信息，在反向傳播時更新probing points 的位置)

?

?

2.2 dotproduct layer (sensor layer的輸出與probing filter權重的點乘)

?

2.3 gaussian layer (將distance field 轉換成更加友好以及計算量小的表示)

?

2.4 architecture見圖3

?

results

速度：

網絡深度

與其他方法的對比

?

轉載于:https://www.cnblogs.com/ahuzcl/p/10641306.html

總結

以上是生活随笔為你收集整理的3d face paper的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。