کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6876414 1442463 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Deep mesh labeling via learned semantic boundary guidance
ترجمه فارسی عنوان
برچسب زدن مش های عمیق از طریق راهنمایی مرزی معنایی آماری
کلمات کلیدی
معنایی هدایت مرزی، برچسب زدن مش، سی ان ان،
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر گرافیک کامپیوتری و طراحی به کمک کامپیوتر
چکیده انگلیسی
We propose a novel method for 3D mesh labeling based on a deep learning approach. We train two deep networks to produce initial labels and semantic boundary maps for test meshes. By using dropout technique, discriminative features can be extracted from our deep networks to improve mesh labeling and boundary detection. Given the detected boundary map, a smoother distance field with closed boundary depiction is calculated for succeeding optimization. Then, based on the initial labels, we obtain the final smooth results through a graph-cut optimization guided by the semantic boundary distance field. With the semantic boundary guidance, labeling is improved distinctly, especially, when large mislabeling regions appear or the boundary of initial labels is not reliable. Furthermore, our algorithm is robust to mesh noise, and can handle mixed dataset with meshes from different categories effectively. Experimental results show that our method outperforms the state-of-the-art methods on public benchmarks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer-Aided Design - Volume 101, August 2018, Pages 72-81
نویسندگان
, , , , ,