Deep mesh labeling via learned semantic boundary guidance

ما یک روش جدید برای برچسب گذاری سه بعدی مش با یک رویکرد یادگیری عمیق پیشنهاد می دهیم. ما دو شبکه عمیق برای تولید برچسب های اولیه و نقشه مرزی معنایی برای شبکه های تست آموزش می دهیم. با استفاده از تکنیک رها کردن، ویژگی های تبعیض آمیز را می توان از شبکه های عمیق ما استخراج کرد تا برچسب های مش و تشخیص مرز را بهبود بخشد. با توجه به نقشه مرزی تشخیص داده شده، یک مسافت فاصله مسطح با تصویر مرز بسته شده برای موفقیت بهینه سازی محاسبه می شود. سپس، بر اساس برچسب های اولیه، نتایج نهایی صاف را از طریق بهینه سازی برش گراف به دست می آوریم که به وسیله ی مساحت فاصله مرزی معنایی هدایت می شود. با راهنمایی مرز معنایی، برچسب گذاری به طور واضح بهبود یافته است، به ویژه هنگامی که مناطق بزرگ بدست آمده نمایش داده شود یا مرز برچسب های اولیه قابل اعتماد نیست. علاوه بر این، الگوریتم ما به نویز مش کمک می کند و می تواند به طور موثر از داده های متفاوتی با شبکه های دسته های مختلف دسته بندی کند. نتایج تجربی نشان می دهد که روش ما از روش های پیشرفته ترین در معیارهای عمومی برتر است.