Matroid 論文 Matrix Computations and Optimization in Apache Spark 獲得 2016 KDD Applied Data Science Track 最佳論文（亞軍）。 本文是 Matroid 的最新研究，主要介紹了 FusionNet ，其深度學(xué)習(xí)結(jié)構(gòu)利用可以進(jìn)行三維「思考」的基礎(chǔ)架構(gòu)，解決了三維物體的識(shí)別問(wèn)題。該技術(shù)使得 Matroid 在普林斯頓 ModelNet 大賽上排名第一（目前）。

隨著增強(qiáng)現(xiàn)實(shí)和自動(dòng)駕駛汽車的出現(xiàn)，3D 數(shù)據(jù)正在爆發(fā)。在不久的將來(lái)，處理 3D 數(shù)據(jù)的算法將被用于諸如機(jī)器人導(dǎo)航或基于增強(qiáng)現(xiàn)實(shí)的智能用戶界面之類的應(yīng)用。受此啟發(fā)，來(lái)自 Matroid 的新近論文展示了 FusionNet，這款架構(gòu)可在 Princeton ModelNet 標(biāo)準(zhǔn)數(shù)據(jù)集中分類 3D CAD 物體。

FusionNet 核心是一個(gè)用于 3D 物體的新型三維卷積神經(jīng)網(wǎng)絡(luò)（CNN）。在將其用于這里之前，我們不得不從幾個(gè)方面修改傳統(tǒng)的CNN。為了便于解釋，首先，讓我們看一下用于圖像識(shí)別的二維 CNN。想法是這樣的：機(jī)器學(xué)習(xí)研究人員建構(gòu)一個(gè)多層模型，每層以不同的方式處理前一層的連接。在第一層有一個(gè)視窗（window），它可以將一個(gè)片（patch ）滑過(guò)一張二維圖像，這張圖像集就變成那一層的輸入。這就是一個(gè)卷積層，因?yàn)檫@個(gè)片是「纏繞的（convolve）」——上述的視窗移過(guò)圖圖像時(shí)會(huì)與自己重疊。接下來(lái)就是幾個(gè)不同類型的層。最后一層的神經(jīng)元被用于潛在輸出；這些神經(jīng)元的每一次激活（activation）都對(duì)應(yīng)于能識(shí)別圖像的不同標(biāo)簽。在 ModelNet40 挑戰(zhàn)賽數(shù)據(jù)集中，有 40 個(gè)分類，因此最后一層有 40 個(gè)神經(jīng)元。對(duì)于該訓(xùn)練數(shù)據(jù)中所包含的所有分類：第一類可能會(huì)是貓，第二類可能會(huì)是汽車等等。如果這 40 個(gè)神經(jīng)元中的第一個(gè)放電最多，那么，輸入就可被認(rèn)定屬于第一類，也就是貓。

在ModelNet40 挑戰(zhàn)賽數(shù)據(jù)集中，有40類，因此最后一層有40個(gè)神經(jīng)元。第一類可能會(huì)是只貓，第二類可能會(huì)是汽車以及等等。如果第一個(gè)神經(jīng)元正在對(duì)四十個(gè)神經(jīng)元放電，那么，輸入就被認(rèn)定屬于第一類，也就是貓。

這一切假定輸入為一張圖像，即二維。如何將之拓展用于三維輸入？一個(gè)辦法就是將物體當(dāng)作圖像一樣處理，將其投影為二維，這和你的顯示器顯示三維物體的方式一樣；然后，在上面運(yùn)行一個(gè)標(biāo)準(zhǔn)二維的 CNN。實(shí)際上，普林斯頓 ModelNet 挑戰(zhàn)賽中，領(lǐng)先參賽者在像素表征上使用了卷積神經(jīng)網(wǎng)絡(luò)，其將任何 3D 物體都處理為一個(gè)幾個(gè)視角下的 2D 投影的集合。FusionNet 確實(shí)在像素表征上也使用了 CNN，但是，關(guān)鍵在于，其還混合了一種新型的三維 CNN。

我們沒(méi)有在一張二維圖像上滑動(dòng)一個(gè)二維的片（patch），我們可以在一個(gè)物體上滑動(dòng)一個(gè)三維的體（volume）！在這種表示方法中，我們就不需要投影的步驟了。這種處理物體的方式使用到了物體的體表示（volumetric representation）。

在我們的體表示中，3D 物體被離散化為 30 x 30 x 30 的體素網(wǎng)格。如果該物體的某一個(gè)部分被表示在了一個(gè) 1 x 1 x 1 的體素中，那么該體素就取值 1，否則就取 0。和之前的成果不一樣，我們同時(shí)使用了像素表示和體素表示來(lái)學(xué)習(xí)物體的特征和對(duì) 3D CAD 物體進(jìn)行分類，而且比單獨(dú)使用這兩種表示中的任何一種的效果都好。這里是一些例子：

圖 1，兩種表示方法。左邊：浴缸、凳子、馬桶和衣柜 3D CAD 物體的 2D 投影；右邊：體素化的浴缸、凳子、馬桶和衣柜

我們構(gòu)建了兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)（V-CNN I 和 V-CNN II）來(lái)處理體素?cái)?shù)據(jù)，還有另一個(gè)（MV-CNN）用來(lái)處理像素?cái)?shù)據(jù)。下圖表示了這些網(wǎng)絡(luò)結(jié)合在一起然后給出物體標(biāo)簽的最終決策的方式。這和處理 2D 圖像的、只能從圖像中學(xué)習(xí)空間局部特征的標(biāo)準(zhǔn) CNN 不同。

圖 2. FusionNet 是 V-CNN I、V-CNN II 和 MV-CNN（其基于 AlexNet，并在 ImageNet 上進(jìn)行過(guò)預(yù)訓(xùn)練） 三個(gè)不同網(wǎng)絡(luò)的融合。這三個(gè)網(wǎng)絡(luò)在評(píng)分層（scores layers）融合——評(píng)分層在找到類別預(yù)測(cè)前給出分?jǐn)?shù)的線性組合。前兩個(gè)網(wǎng)絡(luò)使用了體素化的 CAD 模型，后一個(gè)網(wǎng)絡(luò)使用了 2D 投影。

作為 2D 網(wǎng)絡(luò) MV-CNN 的基礎(chǔ)，我們?cè)谠?3D 物體的 2D 投影上使用了一個(gè)標(biāo)準(zhǔn)的預(yù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)（AlexNet）并熱啟動(dòng)了該網(wǎng)絡(luò)。AlexNet 的預(yù)訓(xùn)練在大型 2D 像素圖像數(shù)據(jù)庫(kù) ImageNet 上完成。因?yàn)橛羞@個(gè)預(yù)訓(xùn)練，許多分類 2D 圖像所需的特征都不需要再?gòu)念^開(kāi)始學(xué)習(xí)。下面的圖示說(shuō)明了我們的 Volumetric CNN 的一種架構(gòu)（V-CNN I）。

　　圖3

V-CNN I 的靈感來(lái)自 GoogLeNet，其使用了 inception 模塊。inception 模塊是來(lái)自不同大小的核的輸出的串聯(lián)。它可幫助網(wǎng)絡(luò)在不同的規(guī)模上學(xué)習(xí)特征，并把它們放在 inception 模塊后下一個(gè)卷積層的同一個(gè)基礎(chǔ)上。

綜上所述，F(xiàn)usionNet 是三個(gè)卷積神經(jīng)網(wǎng)絡(luò)的融合：一個(gè)是在像素表示上訓(xùn)練的，另兩個(gè)是在體素化的物體上訓(xùn)練的。它可利用每個(gè)組分網(wǎng)絡(luò)的優(yōu)勢(shì)來(lái)提升分類表現(xiàn)。FusionNet 的每一個(gè)組分網(wǎng)絡(luò)都會(huì)在分類之前考慮每個(gè)物體的多個(gè)視角或方向。從多個(gè)視角必然比從單一視角能獲得更多信息，盡管這很直觀，但將所有這些信息聚合起來(lái)用以提升準(zhǔn)確度卻并不常見(jiàn)。我們?cè)陬A(yù)測(cè)物體的分類之前使用了來(lái)自像素表示的 20 個(gè)視角的信息和體素表示的 60 個(gè) CAD 方向。在提交給普林斯頓 ModelNet 排行榜的所有設(shè)計(jì)中，F(xiàn)usionNet 在這個(gè)包含 40 個(gè)分類的數(shù)據(jù)集中實(shí)現(xiàn)了當(dāng)前最優(yōu)的表現(xiàn)，表現(xiàn)出了其辨別能力。

論文：FusionNet：使用多數(shù)據(jù)表示的 3D 對(duì)象分類

摘要：高質(zhì)量 3D 物體識(shí)別是許多視覺(jué)系統(tǒng)和機(jī)器人系統(tǒng)的重要組件。我們使用兩種數(shù)據(jù)表示（data representation）解決了物體識(shí)別的問(wèn)題，從而在普林斯頓 ModelNet 挑戰(zhàn)賽上得到了領(lǐng)先的結(jié)果。這兩種數(shù)據(jù)表示方法為：

體表示（Volumetric representation）：3D 物體被空間離散為二進(jìn)制體素（binary voxel）——如果該體素被占用就取 1，否則就取 0；

像素表示（Pixel representation）：3D 物體被表示為一組投影出來(lái)的 2D 像素圖像。

當(dāng)前提交到 ModelNet 挑戰(zhàn)賽的領(lǐng)先設(shè)計(jì)使用了在像素表示上的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。但是，我們擴(kuò)展了這一趨勢(shì)，并額外使用 Volumetric CNN（體卷積神經(jīng)網(wǎng)絡(luò)）彌合了上述兩種表示方法之間的效率差異。我們結(jié)合了這兩種表示方法，并使用它們來(lái)學(xué)習(xí)新特征，從而實(shí)現(xiàn)了比單獨(dú)使用其中任何一種都更好的分類器。要實(shí)現(xiàn)這一點(diǎn)，我們引入了新的 Volumetric CNN (V-CNN) 架構(gòu)。