这篇文章主要讲解了“GVCNN的网络结构是怎样的”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“GVCNN的网络结构是怎样的”吧！
网络结构：
觉得眼熟吗？看看前端输入的一排图片，是不是和MVCNN非常像。来看一下MVCNN的网络结构：
你可能已经猜到了，其实GVCNN就是对MVCNN做了改进。
MVCNN又是什么来路呢？
它可是最早将深度学习引入到三维形状识别中来的，早在ICCV2015会议上发表出来，当时就已经能在ModelNet40数据集上跑出90.1%的成绩了，可以说是师爷级的网络了。
后续的各种处理点云的方法，都会与它做比较。
它的思路其实很简单，对于三维物体，从多个视角去‘拍照’，得到12幅图片，然后码12个VGG网络上来，进行特征提取，把12组特征进行池化后，进行分类。
所以，MVCNN的缺点也很明显，网络巨大。这与当今小型化的趋势明显不符嘛！这么大的网络，别说往移动终端部署了，就是桌面电脑，跑起来都费劲。所以，这个网络的follower一直也不多。
笔者倒是见过一篇比较老的论文，是把三维物体往球形上面做投影，同样是把三维转换成多个二维图像去处理，跟MVCNN的区别是，往球型投影比平面投影更能反映三维物体的属性
再来看今天的主角GVCNN，它的改进是，把12幅图片进行了分组、加权。
作者考虑到，MVCNN中的12幅图像其实权重是一样的，但是实际当中肯定12幅图像对于分类的贡献是有高有低，通过合理加权，自然可以提高分类准确率。
具体操作就如上图，每个图片得到一组特征值，通过FC层获得分数，对分数进行分组，比如图中分成了三组。
然后，在组内按照MVCNN原来的池化操作进行。组间则是加权后在平均池化，得到最后结果。
下面是结果了：
可以看到，提升效果还是很明显的。
感谢各位的阅读，以上就是“GVCNN的网络结构是怎样的”的内容了，经过本文的学习后，相信大家对GVCNN的网络结构是怎样的这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
