南京大学计算机科学与技术系
软件新技术与产业化协同创新中心

摘 要：
对三维几何数据进行特征表示是计算机图形学和计算机视觉领域中的一个基本问题。尽管现有的基于学习的方法可以在特定的形状数据集中获得良好的性能，但它们通常无法从具有不同结构的形状中学习到鲁棒的表示。报告将介绍我们最近在设计和学习3D形状局部描述子方面的工作:（1）我们首先提出了两个新的非学习特征，即基于Laplace–Beltrami框架的频谱嵌入的局部点特征（LPS）和基于Dirichlet能量的小波能量分解特征（WEDS）。它们对网格分辨率、连接关系、刚性变换具有更好的鲁棒性。（2）我们还提出了新的监督框架，将非学习特征转换为更具判别性的特征描述子。首先，我们利用triplet网络来进行深度度量学习，将每个顶点周围的多尺度局部特征编码到几何图像中。其次，我们设计了一种新的图卷积网络—多尺度图卷积网络(MGCN)。实验结果表明，该方法在形状结构不匹配的形状匹配任务中取得了良好的效果。
报告人简介：
郭建伟，中国科学院自动化研究所模式识别国家重点实验室副研究员，硕士生导师。主要研究方向为计算机图形学，包括三维几何建模与优化、形状分析及特征学习等。在主流期刊或会议上发表论文40余篇，其中以第一或通讯作者发表在国际期刊ACM TOG、IEEE TVCG、CAD及会议SIGGRAPH、CVPR、ECCV等论文18篇，授权中国发明专利13项。获得国际几何建模重要会议SMI2014最佳论文提名奖、中国仿真学会2017年度优秀博士学位论文奖、中国图形学大会Chinagraph2018最佳论文奖、2019年度CCF-腾讯犀牛鸟科研基金优秀奖、Computational Visual Media(CVMJ)期刊2020年度最佳论文奖。任中国计算机学会计算机辅助设计和图形学专委会、中国图象图形学会三维视觉专委会委员。担任GMP2021、IEEE CAD/Graphics 2019/2021等国内外会议的程序委员会委员。

时间:3月26日(星期五) 14:45
地点:计算机科学技术楼111室