資料庫：
3d幾何估計
使用3d cad模型進行建模，精細識別的第一步是找到乙個最合適影象的cad模型。
合成資料：使用cad模型渲染出訓練資料
3d幾何分類器：hog_svm。
3d表示
視角變化特徵不變的特徵描述方法，在描述之前對patch進行轉換，選取的影象塊如圖2（b）所示。
為了補償透視投影，對patch進行矯正，如下圖的散熱器。使用rootsift進行特徵描述。最後進行3d spp和bublebank得到spm-3d,bb-3d。
實驗結果
1.車型精細分類
2.長基線匹配
3.3d精細類別重建
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...
3D點雲的深度學習
使用卷積神經網路 cnn 架構的深度學習 dl 現在是解決影象分類任務的標準解決方法。但是將此用於處理3d資料時，問題變得更加複雜。首先，可以使用各種結構來表示3d資料，所述結構包括 1 體素網格 2 點雲 3 多檢視 4 深度圖 對於多檢視和深度圖的情況，該問題被轉換為在多個影象上使用2d cnn...