基于深度卷積神經(jīng)網(wǎng)絡(luò)的三維模型檢索研究
發(fā)布時(shí)間:2021-01-13 10:13
隨著三維模型在數(shù)量上的迅猛增長(zhǎng)和在各個(gè)領(lǐng)域的廣泛應(yīng)用,如何開(kāi)發(fā)搜索引擎幫助用戶(hù)快速方便地查找設(shè)計(jì)所需的三維模型是急需解決的一個(gè)問(wèn)題。多視圖卷積網(wǎng)絡(luò)通過(guò)深度學(xué)習(xí)技術(shù)能夠有效地描述三維模型的幾何特征,而且支持草圖檢索接口。因此,三維模型多視圖卷積網(wǎng)絡(luò)特征提取引起了研究人員的廣泛興趣。這正是論文的研究重點(diǎn)。論文主要工作如下:1.對(duì)三維模型檢索中的相關(guān)特征提取技術(shù)進(jìn)行了總結(jié)和分析。論文對(duì)二維形狀特征、三維形狀特征、多視圖特征方面的國(guó)內(nèi)外研究的進(jìn)行分類(lèi)闡述。同時(shí)給出了三維模型多視圖卷積網(wǎng)絡(luò)特征提取相關(guān)的理論框架。2.針對(duì)三維模型多視圖特征提取問(wèn)題,在已有殘差卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上,采用加權(quán)損失函數(shù)提高視圖特征的可分性,優(yōu)化網(wǎng)絡(luò)性能。算法首先對(duì)三維模型進(jìn)行多視圖渲染得到視圖,然后通過(guò)殘差網(wǎng)絡(luò)擴(kuò)展模塊加深網(wǎng)絡(luò)深度。同時(shí)采用中心損失函數(shù)和交叉熵?fù)p失函數(shù)定義加權(quán)損失函數(shù),解決交叉熵?fù)p失函數(shù)因?yàn)轭?lèi)內(nèi)距離小于類(lèi)間距離而導(dǎo)致的特征不可分問(wèn)題。通過(guò)ModelNet數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,該算法提取到的特征在三維模型分類(lèi)任務(wù)上性能表現(xiàn)優(yōu)異。3.針對(duì)三維模型草圖檢索提出了一種級(jí)聯(lián)卷積網(wǎng)絡(luò)結(jié)構(gòu),不僅考慮特征可分性,而且考慮...
【文章來(lái)源】:浙江工業(yè)大學(xué)浙江省
【文章頁(yè)數(shù)】:66 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
Google三維模型文本搜索引擎[1]
采用圖像或者草圖是一個(gè)非常直觀有效地可視化檢索接口,如圖1-2 所示。而對(duì)于這一檢索接口,一個(gè)首要問(wèn)題是如何準(zhǔn)確有效提取三維模型視圖特征,這正是論文的研究重點(diǎn)。圖 1-2 草圖檢索示例Figure 1-2. Examples of sketch retrieval1.2 三維模型特征提取技術(shù)相關(guān)研究三維模型特征提取技術(shù)研究已經(jīng)取得了非常明顯的進(jìn)展[2]。對(duì)于這一研究的深入分析和討論,可以參考綜述文獻(xiàn)[3][4][5]。對(duì)于三維模型特征提取,可以先把三維模型投影到二維視圖,從視圖中提取二維形狀特征。也可以直接在三維空間中提取特征。在這里,對(duì)一些典型的二維形狀和三維形狀描述符進(jìn)行分析和總結(jié)。1.2.1 二維形狀特征描述符對(duì)于二維形狀特征,主要是提取其輪廓特征或者是區(qū)域特征。二維形狀特征提取可以在變換域或者空域中進(jìn)行。1. 變換域特征:在變換域特征中,傅里葉變換算子[6]是一種最為典型的特征描述方法。該方法對(duì)二維形狀輪廓進(jìn)行采樣,然后對(duì)采樣點(diǎn)序列進(jìn)行傅里葉變
絡(luò)結(jié)構(gòu)內(nèi)部參數(shù),來(lái)學(xué)習(xí)到大型數(shù)據(jù)集中數(shù)據(jù)的抽象結(jié)構(gòu)和復(fù)雜結(jié)構(gòu)。近年來(lái),深度卷積神經(jīng)網(wǎng)絡(luò)在圖像、視頻、語(yǔ)音和文字等研究領(lǐng)域都取得了巨大的突破,在性能表現(xiàn)上大大超越了傳統(tǒng)算法。一種典型的卷積網(wǎng)絡(luò)思想如圖2-1所示,其中的每個(gè)矩形代表每層網(wǎng)絡(luò)的某種特征圖。
【參考文獻(xiàn)】:
期刊論文
[1]綜合多層語(yǔ)義特征與深度卷積網(wǎng)絡(luò)的手繪圖像檢索方法[J]. 劉玉杰,于鄧,龐蕓萍,李宗民,李華. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(04)
[2]基于多特征融合的三維模型檢索算法[J]. 周燕,曾凡智,楊躍武. 計(jì)算機(jī)科學(xué). 2016(07)
[3]三維CAD模型檢索綜述[J]. 路通. 計(jì)算機(jī)科學(xué). 2012(04)
[4]一種三維模型形狀檢索描述符[J]. 張欣,莫蓉,石源,周方云. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2010(05)
[5]基于內(nèi)容的三維模型檢索綜述[J]. 楊育彬,林琿,朱慶. 計(jì)算機(jī)學(xué)報(bào). 2004(10)
[6]一種基于拓?fù)溥B接圖的三維模型檢索方法[J]. 潘翔,張三元,張引,葉修梓. 計(jì)算機(jī)學(xué)報(bào). 2004(09)
[7]三維模型檢索中的特征提取技術(shù)綜述[J]. 崔晨旸,石教英. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2004(07)
本文編號(hào):2974700
【文章來(lái)源】:浙江工業(yè)大學(xué)浙江省
【文章頁(yè)數(shù)】:66 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
Google三維模型文本搜索引擎[1]
采用圖像或者草圖是一個(gè)非常直觀有效地可視化檢索接口,如圖1-2 所示。而對(duì)于這一檢索接口,一個(gè)首要問(wèn)題是如何準(zhǔn)確有效提取三維模型視圖特征,這正是論文的研究重點(diǎn)。圖 1-2 草圖檢索示例Figure 1-2. Examples of sketch retrieval1.2 三維模型特征提取技術(shù)相關(guān)研究三維模型特征提取技術(shù)研究已經(jīng)取得了非常明顯的進(jìn)展[2]。對(duì)于這一研究的深入分析和討論,可以參考綜述文獻(xiàn)[3][4][5]。對(duì)于三維模型特征提取,可以先把三維模型投影到二維視圖,從視圖中提取二維形狀特征。也可以直接在三維空間中提取特征。在這里,對(duì)一些典型的二維形狀和三維形狀描述符進(jìn)行分析和總結(jié)。1.2.1 二維形狀特征描述符對(duì)于二維形狀特征,主要是提取其輪廓特征或者是區(qū)域特征。二維形狀特征提取可以在變換域或者空域中進(jìn)行。1. 變換域特征:在變換域特征中,傅里葉變換算子[6]是一種最為典型的特征描述方法。該方法對(duì)二維形狀輪廓進(jìn)行采樣,然后對(duì)采樣點(diǎn)序列進(jìn)行傅里葉變
絡(luò)結(jié)構(gòu)內(nèi)部參數(shù),來(lái)學(xué)習(xí)到大型數(shù)據(jù)集中數(shù)據(jù)的抽象結(jié)構(gòu)和復(fù)雜結(jié)構(gòu)。近年來(lái),深度卷積神經(jīng)網(wǎng)絡(luò)在圖像、視頻、語(yǔ)音和文字等研究領(lǐng)域都取得了巨大的突破,在性能表現(xiàn)上大大超越了傳統(tǒng)算法。一種典型的卷積網(wǎng)絡(luò)思想如圖2-1所示,其中的每個(gè)矩形代表每層網(wǎng)絡(luò)的某種特征圖。
【參考文獻(xiàn)】:
期刊論文
[1]綜合多層語(yǔ)義特征與深度卷積網(wǎng)絡(luò)的手繪圖像檢索方法[J]. 劉玉杰,于鄧,龐蕓萍,李宗民,李華. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(04)
[2]基于多特征融合的三維模型檢索算法[J]. 周燕,曾凡智,楊躍武. 計(jì)算機(jī)科學(xué). 2016(07)
[3]三維CAD模型檢索綜述[J]. 路通. 計(jì)算機(jī)科學(xué). 2012(04)
[4]一種三維模型形狀檢索描述符[J]. 張欣,莫蓉,石源,周方云. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2010(05)
[5]基于內(nèi)容的三維模型檢索綜述[J]. 楊育彬,林琿,朱慶. 計(jì)算機(jī)學(xué)報(bào). 2004(10)
[6]一種基于拓?fù)溥B接圖的三維模型檢索方法[J]. 潘翔,張三元,張引,葉修梓. 計(jì)算機(jī)學(xué)報(bào). 2004(09)
[7]三維模型檢索中的特征提取技術(shù)綜述[J]. 崔晨旸,石教英. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2004(07)
本文編號(hào):2974700
本文鏈接:http://sikaile.net/kejilunwen/shengwushengchang/2974700.html
最近更新
教材專(zhuān)著