3D-Objektdarstellungen für feingliedrige Kategorisierung

Während 3D-Objektdarstellungen im Kontext der Multi-View-Objektklassen-Erkennung und Szenenverständnis wiederbelebt werden, haben sie noch keine breite Anwendung in der feingliedrigen Kategorisierung gefunden. State-of-the-Art-Methoden erzielen bemerkenswerte Leistungen bei reichhaltigen Trainingsdaten, sind jedoch typischerweise an flache, 2D-Darstellungen gebunden, die Objekte als Sammlung unverbundener Ansichten modellieren, was ihre Fähigkeit zur Generalisierung über verschiedene Blickwinkel einschränkt. In diesem Artikel heben wir daher zwei State-of-the-Art 2D-Objektdarstellungen auf 3D an, sowohl auf Ebene des lokalen Merkmalsaussehens als auch der Lage. In umfangreichen Experimenten mit bestehenden und neu vorgeschlagenen Datensätzen zeigen wir, dass unsere 3D-Objektdarstellungen ihre State-of-the-Art 2D-Pendants bei der feingliedrigen Kategorisierung übertreffen und demonstrieren ihre Wirksamkeit bei der Schätzung von 3D-Geometrie aus Bildern mittels Ultra-Weitwinkel-Baseline-Matching und 3D-Rekonstruktion.