【泡泡一分钟】几何深度学习:在图和流形上使用CNN混合模型（CVPR-21）

每天一分钟，带你读遍机器人顶级会议文章

标题：Geometric deep learning on graphs and manifolds using mixture model CNNs

作者：Federico Monti1 Davide Boscaini1 Jonathan Masci Emanuele Rodola Jan Svoboda Michael M. Bronstein

来源：CVPR2017

编译：蔡纪源

播音员：  四姑娘

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

 

摘要

       今天介绍的文章是“Geometric deep learning on graphs and manifolds using mixture model CNNs ”——几何深度学习：在图和流形上使用CNN混合模型，该文章发表在CVPR2017。

深度学习已经在许多领域取得了非凡的成绩与突破,尤其是在语音识别、自然语言处理和计算机视觉。特别地,卷积神经网络(CNN)结构在各种图像分析任务上表现出了最先进的水平，如目标检测与识别问题。

迄今为止，大部分的深度学习研究专注于处理1D, 2D, 或3D的欧几里得结构化数据，如声波信号,图像或视频。

最近, 几何深度学习的研究正在兴起，试图将深学习方法推广到非欧几里得结构化数据上，如图和流形。这些研究在网络分析,计算社会科学或计算机图形学领域有着各种各样的应用。

在本文中,作者提出一个统一框架可以将CNN结构推广到非欧几里得域(图和流形)中，并可以学习局部的,平稳的,组合的特定任务特征。作者也表明了先前文献中提出的各种非欧几里得CNN方法都可以被视为作者提出框架的特例。

最后，作者在图像，图和三维形状分析领域的标准任务中测试了提出的方法，结果表明其一致优于先前的方法。

作者用所提出的MoNet方法在FAUST人类数据集测试例子的结果如下：图1.显示从最左边的身体参考形状转移到不同姿势的身体各个部分纹理之间的对应关系。

 图2 .为了评估算法有效性，用与Groundtruth之间的测地距离来衡量MoNet在FAUST人类数据集上的逐点错误。上图中，错误饱和值对应测地线直径的7.5％(大约15厘米)，颜色越深，表示错误越大。

      图3.与主流算法对比显示，MoNet算法得到的结果是最优的。

           

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号。

回复关键字“GDL”，即可获取本文下载链接。

---

泡泡机器人SLAM的原创内容均由泡泡机器人的成员花费大量心血制作而成，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！

商业合作及转载请联系liufuqiang_robot@hotmail.com