摘要：针对三维模型的兴趣点提取问题,提出一种基于交替优化的全监督检测算法.第1步,利用多种特征描述符对人工标注好的三维模型进行特征提取,得到每个顶点的特征向量,将其作为神经网络的输入;第2步,使用双调和距离场为模型表面顶点赋予概率标签,并将顶点标签值作为神经网络的输出;第3步,通过神经网络学习输入特征与输出标签之间的复杂映射关系;第4步,将训练后的神经网络对训练集进行预测,并把兴趣点提取结果与人工标签进行对比,根据对比差异进一步优化顶点标签值,然后将顶点标签值作为输出、顶点特征向量作为输入,继续优化神经网络.将第3步和第4步重复多次进行交替优化,最终得到一个较优的神经网络模型.在公开数据集SHREC 2011上的实验结果表明,由于采用了交替优化的策略,所提算法在三维模型表面兴趣点提取的关键评价指标FNE和FPE上均优于传统算法,准确率实现了平均11个百分点以上的提升.

摘要：考虑到传统的几何迭代法仅有一阶的收敛性,提出一个二阶可导的能量函数来刻画当前曲线与目标点集之间的差异.首先根据初始的控制顶点和相应的基函数生成初始的样条曲线,然后求差异函数关于各个控制顶点的梯度,最后采用L-BFGS算法快速寻找最优的插值或者逼近曲线.实验结果表明,文中算法具有超线性的收敛速度,在同样的精度要求下比原来的几何迭代法快出数十倍甚至上百倍;既可用于插值问题,也可用于逼近问题;甚至也能适用于数据点参数可变的情形.

摘要：针对已有的形状直径函数(SDF)算法需要计算落在锥体里面的若干条射线和物体表面的交点,不能直接处理点云曲面或者带洞的几何模型的问题,提出点云上的SDF算法.首先推导了连续曲面上的SDF显式公式,并将其推广至离散点集;然后在离散情况下把锥体内部空间离散化为120个单元,采用投票技巧筛选出每个单元上的有效穿透距离;再采用OBB树批量处理点云数据,而不是逐点判断;最后把所有单元块的穿透距离进行加权得到最终的SDF值.实验结果表明,该算法可应用于形状检索和厚度可视化等多种场合.

摘要：针对传统的物理质心在形状弯曲的情况下有可能落在物体外部的问题,提出基于惯性矩的几何质心定义及计算方法.根据惯性矩把传统的质心定义拓展到三维流形上,首先基于热传导方程计算物体内部距离得到物体关于某点的惯性矩;然后采用梯度下降法寻找惯性矩的极小值得到几何质心.该几何质心一定落于物体的内部,并且当输入模型为凸时退化为物理质心.实验结果表明,该方法对噪声和姿势变化不敏感,可用于形状分析等目的..

摘要：现有的中轴变换理论假定边界上各点具有同等的重要性,因而边界拓扑的微小改变将会产生一个完全不同的中轴骨架.针对该问题,提出重要性驱动的中轴线理论及相应的生成算法,进一步完善了传统的中轴线理论.首先对原始物体的边界进行稠密采样,根据问题的特点设置每个采样点的权重;然后计算带权重的采样点集的Power图,剔除落在边界外部的部分,得到初始的中轴线;最后对初始中轴进行剪枝,消除毛刺,最终生成稳定的中轴线.在医学图像处理和形状聚类中的应用。

摘要：针对三维形状分割问题,提出一种引入权重能量自适应分布参与深度神经网络训练的全监督分割算法.首先对三维形状表面进行过分割得到若干小块,提取每一个小块的特征描述符向量作为神经网络的输入,计算权重能量自适应分布,将经过加权后的分割标签作为神经网络的输出,训练深度神经网络.对于新的未分割的三维模型,提取模型表面三角面片的特征向量后输入到神经网络中进行预测分割后,对预测分割的边缘进行修整得到分割结果,实现三维模型的自动分割.在普林斯顿三维模型分割数据集上的实验结果表明,算法通过在训练过程中引入权重能量自适应分布,可以大幅降低神经网络训练时的均方误差,提高神经网络预测结果的准确率;与传统算法相比,该算法具有高准确率、强鲁棒性、强学习扩展能力等优点.

摘要：针对实际道路场景不同类别位置和轮廓等细节部分相差较大,导致细节信息的丢失和小目标分割不准确等问题,提出一种加强空间信息引导的实时语义分割网络。该网络首先采用微调的轻量级分类卷积编码器,提取图像中不同层次的高级语义信息和浅层空间信息;其次,设计空间细节引导融合模块为编码器的深层与浅层的特征映射提供指导,使得融合过程中更加信任细节轮廓信息,增强空间感知能力,并抑制背景噪声影响;最后通过损失函数辅助监督训练和数据相关型上采样加强训练阶段的特征表示,进一步优化深度卷积网络,以弥补大幅度上采样造成的信息损失。在CamVid和Cityscapes数据集上进行实验验证,其分割精度分别为73.7%和75.3%,推理速度分别为158.0和126.5 fps。与其他实时语义分割算法相比,算法能更好地平衡精确度和实时性,在实际应用场景中也具有更好的鲁棒性。

摘要：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.

摘要：为了对未知分类信息的三维模型进行分类,提出三维模型分类识别算法.首先以改进的形状直径函数(shape diameter function,SDF)特征描述符为基础对所有三维模型提取特征向量,并将未知分类信息的三维模型作为测试模型,在已知分类的三维模型数据库中找到与测试模型最相似的k个模型;然后在这k个模型中利用稀疏表示分类方法对测试模型进行识别;最后确定测试模型在三维模型数据库中的分类信息.实验结果表明,该算法简单且易于实现,具有较高的识别准确率及较强的鲁棒性.

摘要：针对基于内容的三维模型自动分类问题,提出一种密度峰值驱动的三维模型无监督分类算法.首先利用多种特征描述符分别对每个三维模型提取相应的特征向量;然后将得到的特征向量运用鲁棒主成分分析去除噪声并降维;最后通过计算特征向量分布的密度峰值,并配合决策图,以直观的方式确定三维模型分类类别数,最终实现三维模型的无监督分类.实验结果表明,与传统算法相比,该算法具有易于确定分类类别数、准确率高、鲁棒性强等优点.