基于二维图像的三维模型深度学习分类算法研究

发布时间：2024-06-11 21:59

　　三维模型分类是三维研究领域的一个重要研究课题,本课题的研究依托于国家自然科学基金“3D形变体的保测变换与稀疏流形嵌入识别方法研究”。本文以三维模型为目标,重点探究不同类别三维模型的分类算法,我们改进了基于全景图的DeepPano[36]和PANORAMA-NN[37]以及基于多视角二维渲染图的MVCNN[39]深度学习算法,在基准数据集——ModelNet10和ModelNet40上均提高了分类准确率,具体工作有:·基于全景图的三维模型分类。全景图能够很大程度地表现整个模型的外围信息,因此利用全景特征进行分类是不可缺少的实验环节。本文在DeepPano和PANORAMA-NN算法基础上,通过改变输入方式和整体网络结构,提升了算法的分类准确率。我们先通过全景图生成算法,得到每个模型基于X轴、Y轴、Z轴和XYZ轴结合的全景图,然后分别送入修改过的网络,最终发现XYZ轴拼接的全景图效果最好,所以以此方式用于分类研究。·三维模型点云上采样与关键点检测。关键点的选择对三维模型分类准确率起着决定性因素,它能够反映模型的关键信息。本文先将原始模型转化成一定大小的体素形式,然后再转回网格,以实现点云的...

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于传统特征的三维模型研究现状
        1.2.2 基于深度学习的三维模型研究现状
    1.3 三维模型数据集
    1.4 论文研究内容
    1.5 论文结构安排
第二章 基于全景图的三维模型分类
    2.1 全景图生成方法
        2.1.1 全景图生成原理
        2.1.2 全景图生成算法
        2.1.3 全景图生成结果
    2.2 网络结构
    2.3 实验结果分析
    2.4 本章小结
第三章 三维模型的点云上采样与关键点检测
    3.1 三维模型点云上采样
        3.1.1 上采样算法
        3.1.2 上采样可视化
    3.2 三维模型关键点检测
        3.2.1 基于曲率的关键点检测
        3.2.2 基于面积的关键点检测
        3.2.3 决策融合
    3.3 本章小结
第四章 基于Spin Image的三维模型分类
    4.1 Spin Image生成方法
        4.1.1 Spin Image原理
        4.1.2 Spin Image的生成
    4.2 网络结构
    4.3 实验结果分析
    4.4 本章小结
第五章 基于多特征融合的三维模型分类
    5.1 灰度图生成方法
        5.1.1 灰度图生成算法
        5.1.2 灰度图可视化
    5.2 深度图生成方法
        5.2.1 深度图生成算法
        5.2.2 深度图可视化
    5.3 多特征融合网络结构
    5.4 实验结果分析
    5.5 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 工作展望
参考文献
硕士在读期间科研成果
致谢



本文编号：3992778