基于深度卷积神经网络的三维模型检索研究

发布时间：2021-01-13 10:13

　　随着三维模型在数量上的迅猛增长和在各个领域的广泛应用,如何开发搜索引擎帮助用户快速方便地查找设计所需的三维模型是急需解决的一个问题。多视图卷积网络通过深度学习技术能够有效地描述三维模型的几何特征,而且支持草图检索接口。因此,三维模型多视图卷积网络特征提取引起了研究人员的广泛兴趣。这正是论文的研究重点。论文主要工作如下:1.对三维模型检索中的相关特征提取技术进行了总结和分析。论文对二维形状特征、三维形状特征、多视图特征方面的国内外研究的进行分类阐述。同时给出了三维模型多视图卷积网络特征提取相关的理论框架。2.针对三维模型多视图特征提取问题,在已有残差卷积神经网络基础上,采用加权损失函数提高视图特征的可分性,优化网络性能。算法首先对三维模型进行多视图渲染得到视图,然后通过残差网络扩展模块加深网络深度。同时采用中心损失函数和交叉熵损失函数定义加权损失函数,解决交叉熵损失函数因为类内距离小于类间距离而导致的特征不可分问题。通过ModelNet数据集的实验结果表明,该算法提取到的特征在三维模型分类任务上性能表现优异。3.针对三维模型草图检索提出了一种级联卷积网络结构,不仅考虑特征可分性,而且考虑... 

【文章来源】：浙江工业大学浙江省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

Google三维模型文本搜索引擎[1]

采用图像或者草图是一个非常直观有效地可视化检索接口，如图1-2 所示。而对于这一检索接口，一个首要问题是如何准确有效提取三维模型视图特征，这正是论文的研究重点。图 1-2 草图检索示例Figure 1-2. Examples of sketch retrieval1.2 三维模型特征提取技术相关研究三维模型特征提取技术研究已经取得了非常明显的进展[2]。对于这一研究的深入分析和讨论，可以参考综述文献[3][4][5]。对于三维模型特征提取，可以先把三维模型投影到二维视图，从视图中提取二维形状特征。也可以直接在三维空间中提取特征。在这里，对一些典型的二维形状和三维形状描述符进行分析和总结。1.2.1 二维形状特征描述符对于二维形状特征，主要是提取其轮廓特征或者是区域特征。二维形状特征提取可以在变换域或者空域中进行。1. 变换域特征：在变换域特征中，傅里叶变换算子[6]是一种最为典型的特征描述方法。该方法对二维形状轮廓进行采样，然后对采样点序列进行傅里叶变

络结构内部参数，来学习到大型数据集中数据的抽象结构和复杂结构。近年来，深度卷积神经网络在图像、视频、语音和文字等研究领域都取得了巨大的突破，在性能表现上大大超越了传统算法。一种典型的卷积网络思想如图2-1所示，其中的每个矩形代表每层网络的某种特征图。

【参考文献】：
期刊论文
[1]综合多层语义特征与深度卷积网络的手绘图像检索方法[J]. 刘玉杰,于邓,庞芸萍,李宗民,李华.  计算机辅助设计与图形学学报. 2018(04)
[2]基于多特征融合的三维模型检索算法[J]. 周燕,曾凡智,杨跃武.  计算机科学. 2016(07)
[3]三维CAD模型检索综述[J]. 路通.  计算机科学. 2012(04)
[4]一种三维模型形状检索描述符[J]. 张欣,莫蓉,石源,周方云.  计算机辅助设计与图形学学报. 2010(05)
[5]基于内容的三维模型检索综述[J]. 杨育彬,林珲,朱庆.  计算机学报. 2004(10)
[6]一种基于拓扑连接图的三维模型检索方法[J]. 潘翔,张三元,张引,叶修梓.  计算机学报. 2004(09)
[7]三维模型检索中的特征提取技术综述[J]. 崔晨旸,石教英.  计算机辅助设计与图形学学报. 2004(07)



本文编号：2974700