基于注意力机制的三维模型多视图分类算法研究

对于三维模型的分类,根据其不同的模型类型有不同的分类方法:利用三维模型多视角的二维视图进行分类,利用点云格式的三维模型分类以及利用体素模型进行分类。由于三维模型结构的复杂性和不规律性,且因为二维图像的标记数据量远远大于三维模型,所以一般使用三维模型的多视图图像来对三维模型进行分类研究。其中选择了多视图卷积神经网络(Multi-View Convolutional Neural Networks,MVCNN),因其网络结构不复杂,耗时适中且具有不错的分类结果。并通过向MVCNN中引入注意力机制,使得图像的主要特征位置以及特点显著,能够更好地对三维模型的图像进行特征提取以及分类。实验结果表明,引入注意力机制的多视图三维模型分类方法较原方法,能够将三维模型多视图的分类准确率提高约3%。     

基于正交投影的三维模型相似性比较算法研究*

提出了一种基于二维正交投影图像的三维模型相似性比较算法。首先计算三维模型的二维正交投影图像,然后提取二维正交投影图像的边缘轮廓夹角特征,并比较这些二维正交投影图像的相似性,最后通过二维正交投影图像的轮廓相似性来获取三维模型的相似性。实验验证了该算法的可行性,并且其对于三维模型检索所要求的平移、旋转和缩放不变性具有较好的鲁棒性。     

AutoCAD环境下基于三维模型的二维视图创建方法

对AutoCAD环境下根据三维模型创建二维平面视图,尤其是剖视图的方法进行了分析探讨。方法之一是将三维模型上平行于投影面的表面或表面的轮廓线经复制、编辑、补线等操作,即得到对应于该投影面的视图、剖视图。方法之二是利用截面命令（section）或截面平面命令（sectionplane）创建穿过三维模型的横截面,再经编辑、补线等操作,将该横截面创建成所需的剖视图。     

基于轮廓特征点的三维模型相似性匹配算法

针对Heczko算法容易丢失一些表示三维模型轮廓的重要信息,从而降低匹配准确性这一问题,研究了一种基于轮廓特征点的三维模型相似性匹配算法。通过函数投影提取三维模型的轮廓,再提取每一个轮廓上的角点,把角点作为特征点,用特征点的曲率值构成一个点集,最后计算点集之间的Hausdorff距离,进行相似性匹配。实验结果表明该算法提高了三维模型的检索准确性。     

新型物化视图选择算法

针对现有物化视图选择算法无法很好解决OLAP随机查询的问题,提出了一种新型的两阶段物化视图选择算法(2-PMVS),将传统的静态选择算法与动态选择算法相结合,使其可以动态矫正用户随机查询与预估查询之间的偏差。经实验证明,该算法切实有效。     

基于分层学习的三维模型兴趣点提取算法

针对基于学习的三维模型兴趣点提取问题,提出一种兴趣点分层学习的全监督算法.提取三维模型表面所有顶点的特征向量后,将人工标注的兴趣点分为稀疏点和密集点,对于稀疏点使用整个三维模型进行神经网络训练,对于密集点则找出兴趣点分布密集的区域进行单独的神经网络训练;然后对2个神经网络进行特征匹配,得到一个用于三维模型兴趣点提取预测的分类器.测试时,提取新输入的三维模型上所有顶点的特征向量,将其输入到训练好的分类器中进行预测,应用改进的密度峰值聚类算法提取兴趣点.算法采用分层学习的策略,解决了传统算法在模型细节处难以准确提取密集兴趣点的问题.在SHREC’11数据集上的实验结果表明,与传统算法相比,该算法提取兴趣点的准确率更高,出现的遗漏点和错误点更少,对解决越来越精细的三维模型的兴趣点提取问题有较大帮助.     

基于相似性序列分析的三维模型检索性能评价

普林斯顿形状基准数据库已经成为当前三维模型检索研究人员使用最为广泛的基准数据库之一。但是该基准数据库存在着一个重要的缺陷,那便是模型类别之间的相似性没有被考虑,这导致在对检索结果进行性能评价时出现与人类直观感觉不一致的结论。为了克服这个缺陷,提出了一种新的基准数据库分类方案,并且在此基础上提出了一种基于相似性序列分析的检索性能评估方法。     

基于形变模型的多视图三维人脸重建

本文提出了基于形变模型的多视图三维人脸重建方法,将人脸形变模型与同一人脸在不同视点下的多幅图像进行匹配,从而重建出具有较强真实感的三维人脸模型。本文将对基于形变模型的多视图三维人脸重建方法进行详细的阐述,并把实验结果与单视图重建出的三维人脸模型进行了对比,从而体现出多视图重建的优势所在。     

基于关系数据库的ROLAP中实视图的选择

联机分析处理（OLAP）是伴随着数据仓库出现的一种数据分析处理技术,其特点是使分析人员能够更充分地利用数据仓库中的数据资源,从多种角度、多个层次,快速地构建易为用户理解的并全面反映企业行为特征的数据快照,从而可使用户更加深入地了解企业的发展状况和趋势。ROLAP是OLAP中使用最广泛的一种类型。文中对影响ROLAP查询效率的关键技术进行了讨论,提出了一个改进的实视图动态选择算法。该算法从存储空间、查询频率、更新代价三个方面综合评价每个实视图,有效地保证了ROLAP查询的响应时间。     

基于自适应学习的多视图无监督特征选择方法

现有的多视图无监督特征选择方法大多存在以下问题:样本的相似度矩阵、不同视图的权重矩阵和特征的权重矩阵往往是预先定义的,不能有效刻画数据间的真实结构以及反映不同视图和特征的重要性,进而导致不能选出有用的特征.为解决上述问题,首先,在多视图模糊C均值聚类的基础上进行视图权重和特征权重的自适应学习,以同时实现特征选择并保证聚类性能;然后,在拉普拉斯秩约束下自适应地学习样本的相似度矩阵,并构建一个基于自适应学习的多视图无监督特征选择(ALMUFS)方法;最后,设计一种交替迭代优化算法对目标函数进行求解,并在8个真实数据集上将所提方法与6种无监督特征选择基线方法进行比较.实验结果表明,ALMUFS的聚类精度和F-measure优于其他方法,与自适应协作相似性学习(ACSL)相比,平均提高8.99和11.87个百分点;与ASVM(Adaptive Similarity and View Weight)相比,平均提高11.09和13.21个百分点,验证了所提方法的可行性和有效性.     

基于球体投影的三维模型检索

针对草图检索三维模型时存在的域不匹配和如何选取视图等问题,提出一种基于球体投影的三维模型检索方法.针对域不匹配问题,提出基于球体投影的二维视图获取方法,并使用高斯差分和贝塞尔曲线完成线图的提取;利用草图和投影图像之间的关系构建分类器,以获取模型的最优视图;通过两个Siamese网络获取草图和二维视图的特征,并用联合贝叶...     

基于骨架的高效模型观察方法

提出一种模型观察方法,可自动地生成观察序列,实现对模型的由全局到局部的优化观察.基于层次骨架树的建立,该方法将模型的全局特征、局部特征和细节特征进行层次化的有序组织.由此,可生成不同层次特征的观察视点,且有效表达它们之间的关联性,以较好地符合人脑对模型的认知方式,减少人工交互选择视点的盲目性,提高认知效率.实验表明,与人工交互的视点选择方法相比,该观察方法节约一半以上的时间,并显著地降低认知识错误率.     

基于增量式相似度的样本评估方法

现有的强化学习算法存在样本利用率低的问题,导致智能体寻找最优策略的能力下降.为解决这个问题,提出了基于增量式相似度的样本评估方法.设计了一个状态新颖度度量方法和一个样本价值评价函数.计算新状态与基准状态之间的相似度,基于状态的相似度计算状态的新颖程度,再增量式更新基准状态,直到训练结束.计算样本价值时,将状态的新颖程度考虑在内,再针对样本奖励值是否大于零分别进行计算.最后根据其样本价值结合排名选择和随机选择进行采样.该方法在Playing Atari 2600的控制问题中取得了更高的奖励值,说明该方法缓解了样本利用率低的问题,且通过增量式计算相似度减少了计算量.     

3D reconstruction of free-formed line-like objects using NURBS representation

3D reconstruction of arbitrary free-formed objects is an important and challenging problem in computer vision. In this paper, we first discuss the importance of primitive selection in 3D reconstruction. Subsequently, a theorem, which reveals the perspective invariance of NURBS, is shown, making it a good choice as primitive in 3D reconstruction. Consequently, based on this theorem a new paradigm of free-formed line-like object reconstruction using NURBS as primitives is proposed. Furthermore, an approach for determining weights for 3D NURBS is presented, and the width effect of curved line-like objects is analyzed. Finally, experiments with line-like objects and machine part demonstrate the feasibility of our approach and prove the superiority of our approach over the point- or segment-based approaches as well as the B-spline-based reconstruction approach in terms of robustness and accuracy.     

基于三维矫正和相似性学习的无约束人脸验证

针对无约束条件下的人脸图像样本少、面部姿态变化大、被遮挡以及背景复杂等问题,提出一种结合三维人脸矫正与相似性学习相结合的人脸验证算法（sub-SL）。首先,通过三维人脸矫正方法对人脸图像进行姿态矫正,将图像中的人脸矫正为标准正面脸;其次,裁剪该正面脸的脸部相关区域,去除复杂的图像背景;最后,利用基于个体子空间的相似性学习方法对图像对之间的相似度进行度量,完成人脸验证。实验采用了几个以LFW（Labeled Faces in the Wild）数据库为基础的经过预处理操作（例如人脸矫正、裁剪等）后建立起来的数据库。在基于局部三值模式（LTP）的特征提取方法并且训练图像对数为625的实验中,sub-SL算法的识别率比利用马氏距离进行度量学习的算法sub-ML以及结合了马氏距离与相似性学习的度量学习算法sub-SML分别高出了15.6%和8.4%。实验结果表明,sub-SL算法能够有效提高无约束条件下人脸识别的准确率。     

基于标签噪声对比学习的肺癌淋巴结转移鉴别

基于深度学习的人工智能诊断模型严重依赖于高质量地详尽注释数据进行算法训练, 但受到标签噪声信息的影响. 为了增强模型的鲁棒性并防止有噪声的标签记忆, 提出了一种标签噪声样本选择 (noise label sample selection, NLSS)模型来充分挖掘噪声样本的隐藏信息, 减轻模型过拟合问题. 首先, 通过将混合增强图像作为输入, 提取图像分布式特征表示; 其次, 引入对比损失函数以及比较样本预测标签分布与其真实标签分布的相似性来评估样本, 进行样本选择; 最后, 通过标签重分配模块的伪标签提升策略在样本选择的基础上重新纠正噪声标签的监督信息. 以非小细胞肺癌 (non-small cell lung cancer, NSCLC)患者的 PET/CT 数据集为例进行实验, 结果表明提出的模型均比对比模型有一定的提升, 可降低淋巴结转移状态诊断中标签噪声的干扰.     

基于二维视图特征的三维重建

在分析现有ＣＡＤ二维参数化设计,三维参数化设计以及三维重建方法的基础上,基于工程图图形的整体宏观性,图形拓扑性及三维视图的投影规律,提出了二维视图特征的概念及一种新的工程图处理方法。