基于2D-CNN自适应特征的三维模型识别研究

发布时间：2025-06-06 00:26

　　近些年,三维模型检索领域使用深度学习的方式获得了飞速发展,对于三维模型结构复杂、信息量大等特点,将其投影为2D图像的识别方法取得了突出的效果,但对于投影方法以及深度学习的特征提取方法都对三维模型的识别效果存在不同程度的影响,本文针对三维模型的2D图像的特征识别进行研究,具体工作如下。(1)主成分分析方法(PCA)具有非相关性的特征压缩能力,将深度学习与PCA方法相结合,降低整体的冗余特征,其中使用区域划分方法极大地关注于局部特征的表达,最后多视图的三维模型使用均值融合方法表示其全局特征。在CNN框架中增加此方法后形成一个端到端的平衡主成分(Balanced Principal Component Network,BPCN)网络。在ModelNet40数据集上的分类效果及mAP值分别从93.8%和93.2%提升到95%和94.6%,对每个类50个模型和数据库每个类20个模型下的平均top-10检索精度为98.5%,在ModelNet10上的平均top-10检索精度100%。(2)在BPCN的基础上优化了主成分分析与深度学习的结合方式,自适应幂权值方法通过改进Box-Cox技术对奇异值特征进...

【文章页数】：79 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 基于图像的三维模型识别研究现状
        1.2.1 基于三维模型固定视角投影方法
        1.2.2 基于三维模型最优视角投影方法
        1.2.3 基于草图的三维模型检索方法
    1.3 基于三维结构三维模型识别研究现状
        1.3.1 基于点云的识别方法
        1.3.2 基于体积像素的识别方法
        1.3.3 基于扩散几何的识别方法
    1.4 研究内容及主要工作
    1.5 组织结构
第二章 相关理论与技术
    2.1 三维模型数据集
    2.2 特征提取技术
        2.2.1 基于手工设计方法
        2.2.2 基于深度学习方法
    2.3 卷积神经网络
    2.4 自适应特征
        2.4.1 后向传播在卷积神经网络的应用
        2.4.2 基于box-cox的自适应特征在卷积神经网络中的应用
        2.4.3 主成分分析在卷积神经网络中的自适应表达
    2.5 检索匹配的相似度度量
    2.6 检索性能评估
    2.7 本章小结
第三章 平衡主成分分析网络
    3.1 概述
    3.2 方法描述
        3.2.1 平衡主成分层的特征提取
        3.2.2 视图到视图的分类和检索方法
    3.3 实验结果及分析
    3.4 本章小结
第四章 自适应的动态奇异值网络
    4.1 概述
    4.2 方法描述
        4.2.1 动态奇异值层的特征提取
        4.2.2 逐视图分类和幂次距离检索方法
    4.3 实验结果及分析
    4.4 本章小结
第五章 三维模型投影方法和自适应分类方法的研究
    5.1 概述
    5.2 方法描述
        5.2.1 倾斜式投影方法
        5.2.2 模型库分类方法
    5.3 实验结果及分析
    5.4 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 后续工作及展望
参考文献
致谢
攻读学位之间取得的科研成果



本文编号：4049506