论文部分内容阅读
目前三维建模在家具、游戏动画、机械制造等领域应用广泛,三维模型的数量有了较大的增长,相应地给管理及生产设计带来了困难。因此,为了解决对现有三维模型的检索和重用需要,三维模型分类技术应运而生。如何在尽可能完美地表达三维模型形状的情况下对三维模型识别是当前的研究热点。传统的三维模型分类方法主要依赖工程师人工设计特征进行分类,时间消耗冗长且分类精度低。鉴于三维数据高维性和复杂性的特点,直接用于表达三维形状,计算代价大,特征提取过程复杂。与传统分类方法不同,深度学习通过模拟人类大脑信息处理机制,训练机器自动学习特征进行分类。在大规模的三维模型分类过程中,主观判断降低,效率明显。本文在深度学习算法特别是卷积神经网络在图像和自然语言领域广泛应用的基础上,考虑在三维模型分类中引入深度学习算法。 主要研究工作如下: (1)提取多角度视图表征三维模型。三维模型本身具有复杂性,常用的分类算法中存在输入限制,需要对模型数据进行转化。视图作为对三维模型的直观描述,获取方便,并且可以直接输入深度学习模型。单一视角提取的模型视图包含信息较少,本文通过设置三维模型运动轨迹,渲染拍摄,获取三维模型多个角度的视图。对多个视图进行整理、拼贴,使其包含更为完整的三维模型信息。 (2)提出了一种基于卷积神经网络的三维模型分类方法。首先,利用卷积神经网络构建网络模型,进行训练;然后,使用训练得到的模型提取三维模型的层次特征,并利用提取的特征完成分类。另外,将模型各网络层提取的特征作为形状索引,结合K最近邻算法分类,对比不同网络层的分类效果。 (3)可视化(2)提取的层次特征。首先,直接对卷积层和池化层提取的特征进行可视化,以显示过滤器学习特征的过程;然后构建反卷积网络可视化,将网络各层提取的重要特征映射到像素空间。使用可视化的特征,重构三维模型。确定网络对特征的“喜好”,调整网络模型结构,影响最后的分类结果。 (4)实验结果表明,基于特征可视化改进的网络模型能有效地提高B-Rep模型的分类精度,解决三维模型分类问题。