Feature engineering plays an import

Feature engineering plays an important role in object understanding. Expressive discriminative features can guarantee the success of object understanding tasks. With remarkable ability of data abstraction, deep hierarchy architecture has the potential to represent objects. For 3D objects with multiple views, the existing deep learning methods can not handle all the views with high quality. In this paper, we propose a 3D convolutional neural network, a deep hierarchy model which has a similar structure with convolutional neural network. We employ stochastic gradient descent (SGD) method to pretrain the convolutional layer, and then a back-propagation method is proposed to fine-tune the whole network. Finally, we use the result of the two phases for 3D object retrieval. The proposed method is shown to out-perform the state-of-the-art approaches by experiments conducted on publicly available 3D object datasets

ผลลัพธ์ (ไทย) 1:

ลักษณะการทำงานวิศวกรรมมีบทบาทสำคัญในการทำความเข้าใจวัตถุ คุณสมบัติ discriminative แสดงออกสามารถรับประกันความสำเร็จของงานเข้าใจวัตถุ มีความสามารถที่โดดเด่นของข้อมูล abstraction สถาปัตยกรรมลำดับชั้นลึกมีศักยภาพในการเป็นตัวแทนของวัตถุ สำหรับวัตถุ 3 มิติที่มีมุมมองต่าง ๆ ลึกอยู่ที่วิธีการเรียนรู้ไม่สามารถจัดการกับมุมมองทั้งหมด มีคุณภาพสูง ในเอกสารนี้ เราเสนอ 3D convolutional ประสาทเครือข่าย แบบจำลองลำดับชั้นลึกซึ่งมีโครงสร้างคล้ายกับโครงข่ายประสาท convolutional เราใช้วิธี pretrain ชั้น convolutional เชื้อสายไล่ระดับแบบเฟ้นสุ่ม (SGD) แล้ว เสนอวิธีการเผยแพร่หลังการปรับแต่งเครือข่ายทั้งหมด สุดท้าย เราใช้ผล 2 ขั้นตอนสำหรับการเรียกวัตถุ 3D วิธีการนำเสนอจะแสดงการแจ้งแนวทางรัฐ-of-the-art โดยทดลองดำเนินการบนวัตถุ 3 มิติเผย datasets

ผลลัพธ์ (ไทย) 2:

คุณสมบัติทางวิศวกรรมที่มีบทบาทสำคัญในการทำความเข้าใจวัตถุ คุณลักษณะที่แสดงออกจำแนกสามารถรับประกันความสำเร็จของงานการทำความเข้าใจวัตถุ ด้วยความสามารถที่โดดเด่นของการเอาข้อมูลสถาปัตยกรรมลำดับชั้นลึกมีศักยภาพที่จะเป็นตัวแทนของวัตถุ สำหรับวัตถุ 3 มิติที่มีมุมมองหลายวิธีการเรียนรู้ที่มีอยู่ลึกไม่สามารถจัดการกับทุกมุมมองที่มีคุณภาพสูง ในบทความนี้เราเสนอ 3D convolutional เครือข่ายประสาทรูปแบบลำดับชั้นลึกซึ่งมีโครงสร้างคล้ายกับเครือข่ายประสาทสับสน เราจ้างโคตรลาดสุ่ม (SGD) วิธีการ pretrain ชั้น convolutional แล้ววิธีการขยายพันธุ์กลับมีการเสนอการปรับแต่งเครือข่ายทั้งหมด ในที่สุดเราจะใช้ผลมาจากสองขั้นตอนสำหรับการเรียกใช้วัตถุ 3 มิติ วิธีการที่นำเสนอก็แสดงให้เห็นออกดำเนินการวิธีการรัฐของศิลปะโดยการทดลองดำเนินการในชุดข้อมูลที่เปิดเผยต่อสาธารณชนวัตถุ 3 มิติ

ผลลัพธ์ (ไทย) 3:

วิศวกรรมคุณสมบัติ มีบทบาทสำคัญในความเข้าใจของวัตถุ คุณลักษณะและการแสดงออกสามารถรับประกันความสำเร็จของวัตถุ เข้าใจงาน กับความสามารถที่โดดเด่นของข้อมูลที่เป็นนามธรรม , สถาปัตยกรรมลำดับชั้นลึก มีศักยภาพที่จะเป็นตัวแทนของวัตถุ สำหรับวัตถุ 3 มิติด้วยมุมมองที่หลากหลาย มีอยู่ลึกวิธีการเรียนรู้ที่ไม่สามารถจัดการกับทุกความคิดเห็นที่มีคุณภาพสูงในกระดาษนี้เราขอเสนอ 3 ขด Neural Network , ลำดับชั้นลึกแบบมีโครงสร้างที่คล้ายคลึงกับเครือข่ายประสาทคอน . เราใช้ Stochastic ไล่ระดับโคตร ( SGD ) วิธีการ pretrain ชั้นคอนแล้ว back-propagation วิธีเสนอให้ปรับแต่งทั้งระบบได้ สุดท้าย เราใช้ผลของวัตถุ 3D สองขั้นตอนสำหรับการกู้คืนมาวิธีที่เสนอจะแสดงให้เห็นออกมาแสดงแนวทางรัฐ - of - the - art โดยการทดลองต่อสาธารณชนวัตถุชุดข้อมูล