面向三維模型檢索的主動式復結構圖學習方法研究

《面向三維模型檢索的主動式復結構圖學習方法研究》是依託江蘇師範大學，由趙向軍擔任項目負責人的面上項目。

基本介紹

• 中文名：面向三維模型檢索的主動式復結構圖學習方法研究
• 項目類別：面上項目
• 項目負責人：趙向軍
• 依託單位：江蘇師範大學

項目摘要

三維模型局部檢索方法因其強大的分析能力和區別能力，成為模型重用的重要工具。本項目包括兩大部分，第一部分研究方向無關、形變無關的特徵匹配方法，該方法在局部檢索中不可缺少。不同於傳統的曲面SIFT，本研究將三維模型嵌入到體格線中，通過SIFT的三維推廣，提出了完整的匹配方法。藉助稀疏表達進行模型簡化，並對簡化模型進行自適應體素化以降低時空消耗，基於流形學習完成形變無關匹配。第二部分面向三維模型檢索提出一新型機器學習方法。藉助特徵匹配完成語義流形構造，進而提出復結構圖學習方法，作為多語義檢索的統一表示模型。通過特徵匹配和組件分析獲取語義知識，藉助領域知識構建標記缺失區域檢測算法，從而獲得主動圖學習方法。本項目著眼於機器學習與三維模型檢索的深度交叉，藉助機器學習解決模型檢索問題，在解決問題的同時，又豐富了機器學習理論，縱觀信息檢索相關領域可知，本研究順應了學科發展趨勢。

結題摘要

隨著3D模型的採集和呈現方法的改進，從圖形和視覺社區的大型庫中檢索3D模型的需要已經越來越突出，相關檢索方法的研究受到了越來越多的關注。項目針對模型的預處理、特徵表示、匹配檢索的方法以及相關最佳化技術展開研究。提出了三維模型檢索的主動式圖學習方法。以三維模型側影輪廓的機率密度分布作為三維模型相似度度量，藉助圖學習模型完成三維模型的流形構建和檢索，並利用主動學習原理增加模型的適用範圍，提高檢索準確率。提出了三維模型檢索的K-P-modes方法。藉助RBF對各屬性的權重進行修正，利用PSO粒子群算法解決了局部最優問題，為藉助語義信息檢索提供了有效的方法。提出了基於概念分解的半監督特徵學習方法。藉助概念分解的相關原理，構造了將半監督聚類中的對約束張成為一類約束的框架。該方法利用有監督信息指導聚類過程，把對約束獎懲項引入概念分解框架中。由於屬於同一類的數據點對在新的表示空間有不同的強度，因此在為每個對約束添加懲罰時，依據其重要性的大小添加相應權重，更好地解釋了類內方差，因而得到了更易於聚類的低維特徵。同時給出了求解局部最優解的疊代更新策略，並證明了該疊代更新策略收斂。進一步考慮數據局部幾何結構的一致性，構造了相應的目標函式，分析了收斂性和收斂速度，從而提出了考慮局部特徵的概念分解半監督特徵學習方法，取得了較好的聚類性能。針對極限學習隱層節點的數目敏感，提出了自適應的極限學習方法，該方法適用於基礎分類，具有效率高、實現容易等特點。提出了結合混洗蛙跳思想的布穀鳥混合最佳化算法，利用混合蛙跳算法的框架，提出了考慮全局最佳化信息和小機率遺傳突變蛙群交換信息的改進蛙跳運算元，構造了結合L'evy飛行和蛙跳運算符的布穀鳥模型，在不降低方法的最佳化能力的前提下，顯著提高了算法的收斂速度。