三维形状对应及分割方法研究
发布时间：2021-10-21 23:05
近年来,三维扫描技术的发展,为复杂三维模型的构建带来机遇;同时几何模型数量爆发式的增长,为三维形状分析与理解带来新的挑战。三维形状分析旨在通过智能化的算法,挖掘三维模型之间的一致性结构、语义关系以及推断模型的功能性,如抓取等。如何准确地刻画并有效地实现三维几何形状分析,是智能机器人理解三维世界及形状的基础。随着深度学习理论的发展与应用,三维形状分析不仅从传统手工设计特征转向了基于深度学习的特征提取方法,而且形状分析的数量也由单一少量的形状分析转向了大规模的形状联合分析。目前,基于深度学习的特征提取方法与大规模三维形状分析是计算机图形学研究的热点之一。本论主要基于深度学习方法,针对三维形状分析领域中的形状对应与分割问题展开研究。另外,还对特定的形状分割任务提出了一种交互形状分割算法。本论文主主要创新点包括:（1）针对三维形状对应问题,提出了孪生点云网络（SiamesePointNet）的学习框架。利用该框架提取三维形状间一致的语义特征,并通过特征匹配方法,实现三维模型间的稠密对应和关键点对应。具体地,为了更准确地挖掘模型间的语义结构特征,首先,结合点云深度卷积网络,提出了孪生点云深度网络...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
图１．１激增的含标注信息的大型三维模型数据集??
?三维形状对应及分割方法研究???Ｖｔ＊?／Ｖ￥ｉ?＆?＾?＇；１??ｍ?’興＇?ｉｒＭ＾４??＾?ａ?Ｍ?＆?Ｍ?＆?ａ?＆?ｐａｒｔｉａｌ?ｓｃａｎ?ｔｏ?ｓｈａｐｅ?ｍａｔｃｈｉｎｇ?ｓｈａｐｅ?ｓｅｇｍｅｎｔａｔｉｏｎ??（ａ）?ｉ维形状分割?（ｂ）＝维形状对应??ｆ?＾?！ｆ?ｆｆｌ?＾??Ｗｗ?ｉ?ｉｎｎ＊＾ｒｒ??（ｃ）二维形状骨架预测?（ｄ）?＿？：维形状检索??图１．２基于学习方法的多种三维形状的分析理解任务??Ｆｉｇ．?１．２?Ｖａｒｉｏｕｓ?ｓｈａｐｅ?ａｎａｌｙｓｉｓ?ａｎｄ?ｕｎｄｅｒｓｔａｎｄｉｎｇ?ｔａｓｋｓ?ｂａｓｅｄ?ｏｎ?ｌｅａｒｎｉｎｇ?ｍｅｔｈｏｄｓ??本论文主要针对三维形状分析任务中的形状对应以及分割标注问题展开研究，其中??主要利用深度学习的方法提取形状特征并完成形状对应以及分割任务，另外也提出交互??的形状分割算法以更灵活方式对三维形状进行分割。本章首先介绍了三维形状的表达方??式以及基于不同表达方式下的形状特征提取方法；随后介绍三维形状对应以及分割的研??究现状以及发展趋势；最后综述本论文的主要研究工作内容以及各章节的安排。??１．１三维形状的表示形式??Ｈｉ?⑩??（ａ）多视角表小?（ｂ）体网格表小?（ｃ）点云表小＿?（ｄ）网格表小－??图１．３多种三维形状的表达方式（图片来自互联网）??Ｆｉｇ．?１．３?Ｍｕｌｔｉｐｌｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ?ｏｆ?３Ｄ?ｓｈａｐｅｓ?（Ｉｍａｇｅｓ?ａｖａｉｌａｂｌｅ?ｆｒｏｍ?Ｉｎｔｅｒｎｅｔ）??近些年随着数字化过程的加快，三维模型的激增为三维形状分析研究提供了机遇也??－２－??
?云表示的特征学习方法。??１．２．２．１基于体网格表示的方法??将图像卷积操作用于体网格表示研究主要是［３６－３８］，如图丨．４（ａ）所示，也是图形学??领域开展深度学习算法的先驱性工作。尽管基于体网格表示更方便直接扩展深度学习算??法，但由体表示本身存在的稀疏和存储空间大等问题，在实际使用中具有较低分辨率，??不利于模型上逐点特征提取任务的有效实现。??近年，一些研究者针对体Ｍ格表示存在的低分辨率问题，提出了利用八叉树的表达??方式［３９，?４０］实现了八叉树上的卷积操作，如图１．４（ｂ）所示。通过将图像卷积思想引入到??八叉树表示下的卷积操作，实现了高分辨率下的体素数据的特征提龋Ｌｉ等人［４１］提出??—ｆ?．种场探测神经网络（Ｆｉｅｌｄ?Ｐｒｏｂｉｎｇ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ．?ＦＰＮＮ），适合于稀疏数据的卷积??操作，实现三维形状特征提取，如图１．４（ｃ）所示。他们首先将三维空间转化为体素化的??能量场，并采用包含多个点－线的感知空间传感器从中有效地提取特征，从而最终解决数??据的稀疏性问题。虽然上述方法在一定程度上解决了体网格数据分辨率低的问题，但这??些卷积操作依然是在一个稀疏的体数据形式上实现，因此，该类方法不适于处理更大的??数据规模或者难于解决精细表达的模型，比如点云或者拓扑信息中含有丰富细节的网格??模型等。另外，此类方法在设计上有一定的特殊性，难以普适。??４?Ｈ?ｃｎｎ＜?Ｉ??＾?０３?０?ＣＮＮ，入?「，碑??０?Ｗ＇－?｜?￥?Ｈ?ＣＮＮ＾?ｈｌ￣ｐ＾ｑ?Ｈ?ＣＮＮ＾?Ｈ?ｄｒｅｄ＝￥??１?／??＇?ｒｃｉ＾－Ｖ??，叫?ＣＮＲ??３Ｄ?ｓｈａｐｅ?ｍｏｄｅｌ?
本文编号：3449892
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
图１．１激增的含标注信息的大型三维模型数据集??
?三维形状对应及分割方法研究???Ｖｔ＊?／Ｖ￥ｉ?＆?＾?＇；１??ｍ?’興＇?ｉｒＭ＾４??＾?ａ?Ｍ?＆?Ｍ?＆?ａ?＆?ｐａｒｔｉａｌ?ｓｃａｎ?ｔｏ?ｓｈａｐｅ?ｍａｔｃｈｉｎｇ?ｓｈａｐｅ?ｓｅｇｍｅｎｔａｔｉｏｎ??（ａ）?ｉ维形状分割?（ｂ）＝维形状对应??ｆ?＾?！ｆ?ｆｆｌ?＾??Ｗｗ?ｉ?ｉｎｎ＊＾ｒｒ??（ｃ）二维形状骨架预测?（ｄ）?＿？：维形状检索??图１．２基于学习方法的多种三维形状的分析理解任务??Ｆｉｇ．?１．２?Ｖａｒｉｏｕｓ?ｓｈａｐｅ?ａｎａｌｙｓｉｓ?ａｎｄ?ｕｎｄｅｒｓｔａｎｄｉｎｇ?ｔａｓｋｓ?ｂａｓｅｄ?ｏｎ?ｌｅａｒｎｉｎｇ?ｍｅｔｈｏｄｓ??本论文主要针对三维形状分析任务中的形状对应以及分割标注问题展开研究，其中??主要利用深度学习的方法提取形状特征并完成形状对应以及分割任务，另外也提出交互??的形状分割算法以更灵活方式对三维形状进行分割。本章首先介绍了三维形状的表达方??式以及基于不同表达方式下的形状特征提取方法；随后介绍三维形状对应以及分割的研??究现状以及发展趋势；最后综述本论文的主要研究工作内容以及各章节的安排。??１．１三维形状的表示形式??Ｈｉ?⑩??（ａ）多视角表小?（ｂ）体网格表小?（ｃ）点云表小＿?（ｄ）网格表小－??图１．３多种三维形状的表达方式（图片来自互联网）??Ｆｉｇ．?１．３?Ｍｕｌｔｉｐｌｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ?ｏｆ?３Ｄ?ｓｈａｐｅｓ?（Ｉｍａｇｅｓ?ａｖａｉｌａｂｌｅ?ｆｒｏｍ?Ｉｎｔｅｒｎｅｔ）??近些年随着数字化过程的加快，三维模型的激增为三维形状分析研究提供了机遇也??－２－??
?云表示的特征学习方法。??１．２．２．１基于体网格表示的方法??将图像卷积操作用于体网格表示研究主要是［３６－３８］，如图丨．４（ａ）所示，也是图形学??领域开展深度学习算法的先驱性工作。尽管基于体网格表示更方便直接扩展深度学习算??法，但由体表示本身存在的稀疏和存储空间大等问题，在实际使用中具有较低分辨率，??不利于模型上逐点特征提取任务的有效实现。??近年，一些研究者针对体Ｍ格表示存在的低分辨率问题，提出了利用八叉树的表达??方式［３９，?４０］实现了八叉树上的卷积操作，如图１．４（ｂ）所示。通过将图像卷积思想引入到??八叉树表示下的卷积操作，实现了高分辨率下的体素数据的特征提龋Ｌｉ等人［４１］提出??—ｆ?．种场探测神经网络（Ｆｉｅｌｄ?Ｐｒｏｂｉｎｇ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ．?ＦＰＮＮ），适合于稀疏数据的卷积??操作，实现三维形状特征提取，如图１．４（ｃ）所示。他们首先将三维空间转化为体素化的??能量场，并采用包含多个点－线的感知空间传感器从中有效地提取特征，从而最终解决数??据的稀疏性问题。虽然上述方法在一定程度上解决了体网格数据分辨率低的问题，但这??些卷积操作依然是在一个稀疏的体数据形式上实现，因此，该类方法不适于处理更大的??数据规模或者难于解决精细表达的模型，比如点云或者拓扑信息中含有丰富细节的网格??模型等。另外，此类方法在设计上有一定的特殊性，难以普适。??４?Ｈ?ｃｎｎ＜?Ｉ??＾?０３?０?ＣＮＮ，入?「，碑??０?Ｗ＇－?｜?￥?Ｈ?ＣＮＮ＾?ｈｌ￣ｐ＾ｑ?Ｈ?ＣＮＮ＾?Ｈ?ｄｒｅｄ＝￥??１?／??＇?ｒｃｉ＾－Ｖ??，叫?ＣＮＲ??３Ｄ?ｓｈａｐｅ?ｍｏｄｅｌ?
本文编号：3449892
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3449892.html
