动量更新与重构约束的限制视角下3D物品识别

提出了一个基于动量更新表示与重构约束的神经网络训练框架:在视角标签信息缺失的限制性条件下,使用2D(two-dimensional)图像进行3D(three-dimensional)物品识别.首先,使用自监督学习来解决训练过程中标签缺失的问题.其次,在动态队列基础上,使用动量更新来保持物品表示的稳定性.更进一步地,在训练框架中加入自编码器模块,利用重构约束使模型学习到的表示具有更多的语义信息.最后,提出动态队列递减策略,解决训练过程中数据分布不均衡带来的准确度下降问题.在2个广泛使用的多视角数据集ModelNet和ShapeNet上进行了实验,结果表明所提方法具有良好的性能表现.