6. Training

除了它们的体系结构外，深度学习网络的性能取决于它们被训练的方式。

Degree of supervision

早期方法依赖于3D监督。然而手工或使用传统的三维重建技术获取ground truth三维数据是极其困难和昂贵的。因此最近的技术试图通过利用其他监督信号来尽量减少3D监督的数量，例如跨视图的一致性。

Training with 3D supervision

有监督的方法要求使用与相应的ground truth 3D形状配对的图像进行训练。训练过程然后将测量重建的3D形状与相应的真实3D模型之间的差异的损失函数最小化。使用损失函数来测量差异，该函数必须是可微的以便可以计算梯度。

此类功能的示例包括：

（1）Volumetric loss。它定义为重建与真实volumes之间的距离

在这里，d（·，·）可以是两volume之间的L2距离，也可以是负(IoU)。这两种度量都适用于二进制占用网格和TSDF表示。

2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（6）——Training相关推荐

2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（8）——Comparison
下表为各种方法的比较,包括输入,输出,训练,评价指标. Accuracy metrics 最常用的用于评估三维重建算法准确性的定量度量包括: (1) The Mean Squared Error (M ...
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（7）——Datasets
7. Datasets 下面是一些目前主流的用于训练和评估基于深度学习的三维重建算法性能的数据集. "IMG":图像. "obj":objects. " ...
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（5）——Leveraging other clues
5. Leveraging other clues 本节展示了如何使用额外的线索,如中间表示和时间相关性来提升三维重建如图为利用了2.5D sketches(深度.法线和轮廓depth, norma ...
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（4）—— 3D Surface decoding
4. 3D Surface decoding 基于体素表示的方法在计算上非常浪费,因为信息仅在3D形状的表面上或附近丰富. 直接使用表面时的主要挑战是常见的表示(例如网格或点云)的结构不规则,因此它们 ...
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（3）——Volumetric decoding
3. Volumetric decoding 体积表示将3D对象周围的空间区分为3D体素网格V. 离散度越精细,表示将越准确. 目标是恢复网格Vˆ =fθ(I),以使其表示的3D形状ˆX尽可能接近未知 ...
2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（2）——Encoder stage
2. Encoder Stage 基于深度学习的3D重建算法将输入I编码为特征向量x = h(I)∈X,其中X是潜在空间. 良好的映射函数h应该满足以下属性: 代表相似3D对象的两个输入I1和I2应该 ...
研究生科研必备！！！2015-2020年各类国际会议基于图像的三维重建论文综述（1）——总览
此文为2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述的第一部分,总览部分本文涵盖总结了2015到2020年几百篇国际会议与期刊上的3d-reconstruction文章. 本系 ...
机器人领域主要国际会议与期刊列表
机器人领域主要国际会议与期刊列表 1. 机器人方向(会议) AIM*: IEEE/ASME International Conference on Advanced Intelligent Mecha ...
图像处理领域的国际会议及期刊
图像处理领域一.国际会议会议名称会议介绍 ICCV: IEEE International Conference on Computer Vision 领域顶级国际会议,录取率20%左右,2年一 ...

2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（6）——Training

6. Training

Degree of supervision

2015-2020年各类国际会议与期刊基于图像的三维对象重建论文综述（6）——Training相关推荐

最新文章

热门文章