近年來(lái),三維掃描技術(shù)的發(fā)展,為復(fù)雜三維模型的構(gòu)建帶來(lái)機(jī)遇;同時(shí)幾何模型數(shù)量爆發(fā)式的增長(zhǎng),為三維形狀分析與理解帶來(lái)新的挑戰(zhàn)。三維形狀分析旨在通過(guò)智能化的算法,挖掘三維模型之間的一致性結(jié)構(gòu)、語(yǔ)義關(guān)系以及推斷模型的功能性,如抓取等。如何準(zhǔn)確地刻畫(huà)并有效地實(shí)現(xiàn)三維幾何形狀分析,是智能機(jī)器人理解三維世界及形狀的基礎(chǔ)。隨著深度學(xué)習(xí)理論的發(fā)展與應(yīng)用,三維形狀分析不僅從傳統(tǒng)手工設(shè)計(jì)特征轉(zhuǎn)向了基于深度學(xué)習(xí)的特征提取方法,而且形狀分析的數(shù)量也由單一少量的形狀分析轉(zhuǎn)向了大規(guī)模的形狀聯(lián)合分析。目前,基于深度學(xué)習(xí)的特征提取方法與大規(guī)模三維形狀分析是計(jì)算機(jī)圖形學(xué)研究的熱點(diǎn)之一。本論主要基于深度學(xué)習(xí)方法,針對(duì)三維形狀分析領(lǐng)域中的形狀對(duì)應(yīng)與分割問(wèn)題展開(kāi)研究。另外,還對(duì)特定的形狀分割任務(wù)提出了一種交互形狀分割算法。本論文主主要?jiǎng)?chuàng)新點(diǎn)包括:（1）針對(duì)三維形狀對(duì)應(yīng)問(wèn)題,提出了孿生點(diǎn)云網(wǎng)絡(luò)（SiamesePointNet）的學(xué)習(xí)框架。利用該框架提取三維形狀間一致的語(yǔ)義特征,并通過(guò)特征匹配方法,實(shí)現(xiàn)三維模型間的稠密對(duì)應(yīng)和關(guān)鍵點(diǎn)對(duì)應(yīng)。具體地,為了更準(zhǔn)確地挖掘模型間的語(yǔ)義結(jié)構(gòu)特征,首先,結(jié)合點(diǎn)云深度卷積網(wǎng)絡(luò),提出了孿生點(diǎn)云深度網(wǎng)絡(luò)... 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：115 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１．１激增的含標(biāo)注信息的大型三維模型數(shù)據(jù)集??

?三維形狀對(duì)應(yīng)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維形狀分割?（ｂ）＝維形狀對(duì)應(yīng)??ｆ?＾?！ｆ?ｆｆｌ?＾??Ｗｗ?ｉ?ｉｎｎ＊＾ｒｒ??（ｃ）二維形狀骨架預(yù)測(cè)?（ｄ）?＿？：維形狀檢索??圖１．２基于學(xué)習(xí)方法的多種三維形狀的分析理解任務(wù)??Ｆｉｇ．?１．２?Ｖａｒｉｏｕｓ?ｓｈａｐｅ?ａｎａｌｙｓｉｓ?ａｎｄ?ｕｎｄｅｒｓｔａｎｄｉｎｇ?ｔａｓｋｓ?ｂａｓｅｄ?ｏｎ?ｌｅａｒｎｉｎｇ?ｍｅｔｈｏｄｓ??本論文主要針對(duì)三維形狀分析任務(wù)中的形狀對(duì)應(yīng)以及分割標(biāo)注問(wèn)題展開(kāi)研究，其中??主要利用深度學(xué)習(xí)的方法提取形狀特征并完成形狀對(duì)應(yīng)以及分割任務(wù)，另外也提出交互??的形狀分割算法以更靈活方式對(duì)三維形狀進(jìn)行分割。本章首先介紹了三維形狀的表達(dá)方??式以及基于不同表達(dá)方式下的形狀特征提取方法；隨后介紹三維形狀對(duì)應(yīng)以及分割的研??究現(xiàn)狀以及發(fā)展趨勢(shì)；最后綜述本論文的主要研究工作內(nèi)容以及各章節(jié)的安排。??１．１三維形狀的表示形式??Ｈｉ?⑩??（ａ）多視角表小?（ｂ）體網(wǎng)格表小?（ｃ）點(diǎn)云表�。�?（ｄ）網(wǎng)格表�。�??圖１．３多種三維形狀的表達(dá)方式（圖片來(lái)自互聯(lián)網(wǎng)）??Ｆｉｇ．?１．３?Ｍｕｌｔｉｐｌｅ?ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ?ｏｆ?３Ｄ?ｓｈａｐｅｓ?（Ｉｍａｇｅｓ?ａｖａｉｌａｂｌｅ?ｆｒｏｍ?Ｉｎｔｅｒｎｅｔ）??近些年隨著數(shù)字化過(guò)程的加快，三維模型的激增為三維形狀分析研究提供了機(jī)遇也??－２－??

?云表示的特征學(xué)習(xí)方法。??１．２．２．１基于體網(wǎng)格表示的方法??將圖像卷積操作用于體網(wǎng)格表示研究主要是［３６－３８］，如圖丨．４（ａ）所示，也是圖形學(xué)??領(lǐng)域開(kāi)展深度學(xué)習(xí)算法的先驅(qū)性工作。盡管基于體網(wǎng)格表示更方便直接擴(kuò)展深度學(xué)習(xí)算??法，但由體表示本身存在的稀疏和存儲(chǔ)空間大等問(wèn)題，在實(shí)際使用中具有較低分辨率，??不利于模型上逐點(diǎn)特征提取任務(wù)的有效實(shí)現(xiàn)。??近年，一些研究者針對(duì)體Ｍ格表示存在的低分辨率問(wèn)題，提出了利用八叉樹(shù)的表達(dá)??方式［３９，?４０］實(shí)現(xiàn)了八叉樹(shù)上的卷積操作，如圖１．４（ｂ）所示。通過(guò)將圖像卷積思想引入到??八叉樹(shù)表示下的卷積操作，實(shí)現(xiàn)了高分辨率下的體素?cái)?shù)據(jù)的特征提齲Ｌｉ等人［４１］提出??—ｆ?．種場(chǎng)探測(cè)神經(jīng)網(wǎng)絡(luò)（Ｆｉｅｌｄ?Ｐｒｏｂｉｎｇ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ．?ＦＰＮＮ），適合于稀疏數(shù)據(jù)的卷積??操作，實(shí)現(xiàn)三維形狀特征提取，如圖１．４（ｃ）所示。他們首先將三維空間轉(zhuǎn)化為體素化的??能量場(chǎng)，并采用包含多個(gè)點(diǎn)－線的感知空間傳感器從中有效地提取特征，從而最終解決數(shù)??據(jù)的稀疏性問(wèn)題。雖然上述方法在一定程度上解決了體網(wǎng)格數(shù)據(jù)分辨率低的問(wèn)題，但這??些卷積操作依然是在一個(gè)稀疏的體數(shù)據(jù)形式上實(shí)現(xiàn)，因此，該類(lèi)方法不適于處理更大的??數(shù)據(jù)規(guī)�；蛘唠y于解決精細(xì)表達(dá)的模型，比如點(diǎn)云或者拓?fù)湫畔⒅泻胸S富細(xì)節(jié)的網(wǎng)格??模型等。另外，此類(lèi)方法在設(shè)計(jì)上有一定的特殊性，難以普適。??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?


本文編號(hào)：3449892