溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要講解了“GVCNN的網絡結構是怎樣的”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“GVCNN的網絡結構是怎樣的”吧！
網絡結構：
覺得眼熟嗎？看看前端輸入的一排圖片，是不是和MVCNN非常像。來看一下MVCNN的網絡結構：
你可能已經猜到了，其實GVCNN就是對MVCNN做了改進。
MVCNN又是什么來路呢？
它可是最早將深度學習引入到三維形狀識別中來的，早在ICCV2015會議上發表出來，當時就已經能在ModelNet40數據集上跑出90.1%的成績了，可以說是師爺級的網絡了。
后續的各種處理點云的方法，都會與它做比較。
它的思路其實很簡單，對于三維物體，從多個視角去‘拍照’，得到12幅圖片，然后碼12個VGG網絡上來，進行特征提取，把12組特征進行池化后，進行分類。
所以，MVCNN的缺點也很明顯，網絡巨大。這與當今小型化的趨勢明顯不符嘛！這么大的網絡，別說往移動終端部署了，就是桌面電腦，跑起來都費勁。所以，這個網絡的follower一直也不多。
筆者倒是見過一篇比較老的論文，是把三維物體往球形上面做投影，同樣是把三維轉換成多個二維圖像去處理，跟MVCNN的區別是，往球型投影比平面投影更能反映三維物體的屬性
再來看今天的主角GVCNN，它的改進是，把12幅圖片進行了分組、加權。
作者考慮到，MVCNN中的12幅圖像其實權重是一樣的，但是實際當中肯定12幅圖像對于分類的貢獻是有高有低，通過合理加權，自然可以提高分類準確率。
具體操作就如上圖，每個圖片得到一組特征值，通過FC層獲得分數，對分數進行分組，比如圖中分成了三組。
然后，在組內按照MVCNN原來的池化操作進行。組間則是加權后在平均池化，得到最后結果。
下面是結果了：
可以看到，提升效果還是很明顯的。
感謝各位的閱讀，以上就是“GVCNN的網絡結構是怎樣的”的內容了，經過本文的學習后，相信大家對GVCNN的網絡結構是怎樣的這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
