CN111694976A - 一种基于多视角卷积池化的三维点云数据检索方法 - Google Patents

一种基于多视角卷积池化的三维点云数据检索方法 Download PDF

Info

Publication number
CN111694976A
CN111694976A CN202010524536.9A CN202010524536A CN111694976A CN 111694976 A CN111694976 A CN 111694976A CN 202010524536 A CN202010524536 A CN 202010524536A CN 111694976 A CN111694976 A CN 111694976A
Authority
CN
China
Prior art keywords
dimensional
point cloud
model
dimensional point
cloud data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010524536.9A
Other languages
English (en)
Inventor
窦曙光
王文举
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010524536.9A priority Critical patent/CN111694976A/zh
Publication of CN111694976A publication Critical patent/CN111694976A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于多视角卷积池化的三维点云数据检索方法，用于对三维模型数据库中的三维点云数据进行检索，包括如下步骤：步骤1，将需要查询的三维点云模型通过PointImage预处理流程进行预处理，再使用ImageNet预训练模型中的ResNeXt50‑32x4d，将模型在ModelNet40上微调，接着通过池化输出4096维的高维特征；步骤2，通过PCA将高维特征降到100维以下，得到低维特征；步骤3，将三维模型数据库的所有三维点云模型重复步骤1和步骤2，得到特征数据库；步骤4，通过余弦相似度将需要查询的三维点云模型的最终特征与特征数据库中的所有特征计算相似度，根据相似度，按顺序返回检索到的三维点云模型列表。

Description

一种基于多视角卷积池化的三维点云数据检索方法
技术领域
本发明涉及一种数据检索方法，具体涉及一种基于多视角卷积池化的三维点云数据检索方法。
背景技术
随着越来越多的三维建模和数字化工具的开发加上采集三维模型成本不断降低，网络上传播越来越多的三维建模。因此，基于内容的三维模型检索技术成为一个研究热点。然而，三维模型检索相比传统二维图像检索具有很多不同的挑战。比如，在一些应用中，三维模型因旋转而不同，但应将其视为相同的三维模型。Kazhdan等人[75]为了解决以上问题，提出一种基于球谐函数(SPH，Spherical Harmonics)来获取三维模型中旋转不变的表征。Chen等人[76]认为若两个三维模型是相似的，则从各个角度上看都是相似的。因此，Chen等人提出一种基于视觉相似性的光场描述符(LFD,Light Field Descriptors)作为检索的特征。LFD对相似变换、噪声和模型退化(model degeneracy)具有很强的鲁棒性。以上这些方法都是采用的传统的特征提取方法，目的是从三维模型中提取到不会因旋转或者角度而改变的表征。因此，需要一种能够提取到因旋转或者角度而改变的表征的数据检索方法。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于多视角卷积池化的三维点云数据检索方法。
本发明提供了一种基于多视角卷积池化的三维点云数据检索方法，用于对三维模型数据库中的三维点云数据进行检索，具有这样的特征，包括如下步骤：步骤1，将需要查询的三维点云模型通过PointImage预处理流程进行预处理，再使用ImageNet预训练模型中的ResNeXt50-32x4d，将模型在ModelNet40上微调，接着通过池化输出高维特征；步骤2，通过PCA将高维特征进行降维，得到低维特征；步骤3，将三维模型数据库的所有三维点云模型重复步骤1和步骤2，得到特征数据库；步骤4，通过余弦相似度将需要查询的三维点云模型的最终特征与特征数据库中的所有特征计算相似度，而后根据相似度，按顺序返回检索到的三维点云模型列表。
在本发明提供的基于多视角卷积池化的三维点云数据检索方法中，还可以具有这样的特征：其中，步骤1中的PointImage预处理流程包括如下子步骤：步骤1-1，根据设置的分辨率R将所在的需要查询的维点云模型所在空间划分为由个体素网格单元组成的体素网格空间；步骤1-2，对于处于同个网络单元的C中的n个点，将其近似为同一个点，其坐标为C在体素空间中的坐标(rx,ry,rz)；步骤1-3，根据选取的视角，将体素化的三维模型渲染成多视角的二维图像图片集。
在本发明提供的基于多视角卷积池化的三维点云数据检索方法中，还可以具有这样的特征：其中，步骤1中的高维特征为4096维的高维特征。
在本发明提供的基于多视角卷积池化的三维点云数据检索方法中，还可以具有这样的特征：其中，步骤2中的低维特征为100维以下的低维特征。
发明的作用与效果
根据本发明所涉及的基于多视角卷积池化的三维点云数据检索方法，因为对三维点云模型采用了PointImage预处理以及基于ImageNet预训练模型进行微调，再使用卷积池化，所以能够得到全局深度高维视觉特征；通过PCA对全局深度高维视觉特征进行降维，所以能够在提高检索精度的同时提高检索速度；因为通过余弦相似度来进行相似度的计算，所以能够将查询三维点云模型的最终特征与特征数据库中的所有特征计算相似度，并根据相似度进行从大到小的排序从而返回与目标三维模型最相似的数据库的模型或者一定数量下的相似模型。
因此，本发明的基于多视角卷积池化的三维点云数据检索方法对三维点云数据进行检索时，不仅检索性能好，还能够从三维模型中提取到在旋转或者角度而改变时保持不变的表征。
附图说明
图1是本发明的基于多视角卷积池化的三维点云数据检索方法的过程示意图；
图2是本发明的基于多视角卷积池化的三维点云数据检索方法的PointImage预处理的过程示意图；
图3是本发明的基于多视角卷积池化的三维点云数据检索方法的ResNeXt的聚集残差模块示意图；
图4是本发明的使投影后的样本尽可能分开示意图；
图5是本发明的基于多视角卷积池化的三维点云数据检索方法的余弦相似性示意图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
图1是本发明的基于多视角卷积池化的三维点云数据检索方法的过程示意图。
如图1所示，本发明的一种基于多视角卷积池化的三维点云数据检索方法，用于对三维模型数据库中的三维点云数据进行检索，包括如下步骤：
步骤1，将需要查询的三维点云模型通过PointImage预处理流程进行预处理，再使用ImageNet预训练模型中的ResNeXt50-32x4d，将模型在ModelNet40上微调，接着通过池化输出4096维的高维特征。
图2是本发明的基于多视角卷积池化的三维点云数据检索方法的PointImage预处理的过程示意图。
如图2所示，本发明中，步骤1中的PointImage预处理流程包括如下子步骤：
步骤1-1，根据设置的分辨率R将所在的需要查询的所述维点云模型所在空间划分为由个体素网格单元组成的体素网格空间。
步骤1-2，对于处于同个网络单元的C中的n个点，将其近似为同一个点，其坐标为C在体素空间中的坐标(rx,ry,rz)。
步骤1-3，根据选取的视角，将体素化的三维模型渲染成多视角的二维图像图片集。
图3是本发明的基于多视角卷积池化的三维点云数据检索方法的ResNeXt的聚集残差模块示意图。
本发明中，ResNeXt是ResNet网络的升级版，在ImageNet-1000上相比之前的ResNet,GoogleNet等有着更好的分类性能。ResNeXt相比ResNet的创新之处在于对于残差模块的改进，提出了如图3所示的聚集残差模块。深度学习领域的学者普遍认为增加神经网络深度或宽度可以有效提升模型的性能，但是随之而来参数复杂度和计算复杂度也会增加。ResNeXt提出一个新的概念-基数(Caidinality)，网络可以通过增加基数来提升模型的性能，且不会带来模型复杂度的增加。基数的定义是一个卷积结构模块中所具有相同分支的数目。它将一个原本有256通道数的残差模块拆分成32具有相同结构的分支，即基数C＝32。ResNeXt的实验结果表明，一个具有101层的ResNeXt能获得比一个具有200层的ResNet更好的分类性能，而且前者只有后者一半的复杂度。这证明了ResNeXt的核心观点，增加基数比增加深度或者宽度更有效。
基于ImageNet的ResNeXt-50-32x4d的特征提取架构如表1所示，ResNeXt-50的主体结构与ResNet-50基本相同。在初始化之后，同样采用4个聚集残差模块进行学习深度特征，最后再使用平均池化层等操作输出一个1×1024的特征向量。
表1基于ImageNet的ResNeXt-50-32x4d的模型架构
Figure BDA0002533223830000061
步骤2，通过PCA将高维特征进行降维，得到100维以下的低维特征，从而在提高精度的同时提高检索速度。
本发明中，降维是机器学习中最常用的一种方法。在机器学习的很多任务当中会遇到维度相当高的数据集，如果直接使用算法处理高数数据往往会得到很不理想的效果。原因在于高维数据的数据样本比较稀疏，使用距离度量进行计算也比较困难。此外，高维特征中非常容易产生特征之间的线性关系，即一些特征是冗余的。使用多视角卷积池化从三维点云学习到的特征维度为4096，维度比较高。因此，使用降维是十分必要的。
图4是本发明的投影后的样本尽可能分开示意图。
PCA算法的目的是找到一个对于输入样本投影之后尽可能分开的超平面。对入输入样本X,在降维的投影空间下的投影为WTX。如图4所示，若使投影后样本之间的距离最大，就要使样本的方差最大，而投影后样本的方差为WTXXTW，对方差使用拉格朗日乘子法可得：
XXTW＝λW
要想求得以上公式的解，常规方法是对协方差矩阵XXT进行特征值分解(EVD,Eigenvalue Decomposition)，代替方法是对X进行奇异值分解(SVD,Singular ValueDecomposition)。EVD是将协方差矩阵的特征值进行排序，可得：λ1≥λ2≥…≥λd，取前c个特征值对应的特征向量来得到投影矩阵Wp＝(ω1,ω2,…,ωc)。SVD则是首先将输入
Figure BDA0002533223830000071
分解为U、S和V，即：
X＝USVT
其中，
Figure BDA0002533223830000072
为左奇异矩阵，
Figure BDA0002533223830000073
为右奇异矩阵，
Figure BDA0002533223830000074
为奇异值，仅在主对角线上有值，其它位置上均为0。此外，U和V都是单位正交矩阵，即UTU＝I,VTV＝I。而U,S和V的求解在正常情况是不便于求解，可以利用以下公式求解：
Figure BDA0002533223830000081
其中，AAT和ATA为m×m和n×n的方阵，求出矩阵中的特征向量，再拼成一起就得到U和V了。对SST或者STS中的特征值开方即可得到奇异值。
SVD中的奇异值与EVD中的特征值相似，在奇异值矩阵S中是按照从大到小的顺序排列。奇异值的特性在于前10％左右甚至更少的奇异值的和就占了全部奇异值之和的99％以上的比例。SVD的这种特性可用于数据压缩和去噪。SVD在可在PCA中代替EVD的原因在于，当输入的样本数据量很大且样本的特征维度同样很高时，求出协方差矩阵的计算量是很大的。而SVD的一些求解算法可以不计算协方差矩阵而未出用于降维的右奇异矩阵V。在机器学习的经典Python语言库Scikit-learn中PCA算法正是用SVD来实现的。
步骤3，将三维模型数据库的所有三维点云模型重复步骤1和步骤2，得到特征数据库。
步骤4，通过余弦相似度将需要查询的三维点云模型的最终特征与特征数据库中的所有特征计算相似度，而后根据相似度，按顺序返回检索到的三维点云模型列表。
图5是本发明的基于多视角卷积池化的三维点云数据检索方法的余弦相似性示意图。
本发明中，在特征经过降维之后，要以相似度度量或者距离度量来进行排序。本发明使用余弦相似度来进行相似度度量，余弦相似度(Cosine Similarity)是指用两个向量之间的夹角的余弦值来判断之间的相似度。通过余弦相似度得到的结果在-1到1之间，非常方便设定阈值和分类特征。余弦值越大，即越接近1，就说明两个向量之间的夹角越小，即接近0度，两个向量就越相似。如图5所示，以两维向量为例，两者的余弦值为：
Figure BDA0002533223830000091
其中，||a||为a的l2范数。
实施例：
本实施例的检索实验评价指标为平均均值精度mAP即mean Average Precisio和所有测试查询样本的精确召回曲线下的平均面积AUC即area under precision-recallcurve。对于为某一类别的待检索三维模型，查准率或者准确率P即Precison为：
Figure BDA0002533223830000092
其中，在本实施例中与查询三维模型相似指为同一类别。召回率(R，Recall)为：
Figure BDA0002533223830000093
准确率和召回率在通常情况下是此消彼长的状态，往往准确率高的情况下，召回率就低，反之也是如此。AUC曲线图则是以召回率R为横坐标，准确率P为纵坐标绘制曲线图。在AUC图中，曲线越接近右上角说明性能越优秀。
对于返回的有序列表N，与查询模型相似的位置为M1,M2,…MM共M个位置，则某一类别的检索精度(AP,Average Precison)为：
Figure BDA0002533223830000094
数据集中共包含k个三维模型，则其平均检索精度(mAP)为：
Figure BDA0002533223830000101
其中，AP(i)为以第i个三维模型作为查询模型的检索精度。
探索该种降维方法和输出维度对于三维点云检索性能的影响，结果如表2所示。当输出维度为32时，PCA达到最优的90.13％mAP。
表2 PCA输出维度对于检索性能(mAP)的影响
Figure BDA0002533223830000102
通过上一小节的实验分析，确定了PCA降维输出的最佳维度。将本发明提出提出的基于多视角卷积池化的检索算法，与经典三维检索算法SPH、LFD和3DShapeNets，与其它当前最优秀的方法MVCNN和GVCNN进行比较。以上方法在ModelNet40数据集上的检索性能mAP如表3所示。
对于三维形状检索，最被学术界认可并使用的数据集是普林斯顿大学提供的ModelNet系列数据集。ModelNet40文件包含40个类别的CAD模型，用于训练3D深度学习项目中的深度网络。训练和测试同样被拆分在文件中。CAD模型同样在内部完全清理干净。
从表3可以看出，基于传统的手工设计来提取三维模型中某种不变表征的SPH和LFD方法的性能是远低于其它方法的。经典的3D ShapeNets方法虽然性能略优于以上两种方法，但检索性能仍不超过50％mAP。MVCNN和GVCNN的实验结果表明在分类任务提出特征的基础上加入度量学习，能很有效地提升检索性能。相比以上所有方法，本发明提出的检索方法具有更加优秀的性能，仅使用原始的特征，就具有89.1％的mAP，此外，在使用PCA进行降维后还可进一步提升性能，最终性能可在mAP指标上达到90.1％。
表3不同的方法在ModelNet40数据集上检索性能即mAP
Figure BDA0002533223830000111
实施例的作用与效果
由实施例可知，采用基于多视角卷积池化的三维点云数据检索方法，仅使用原始的特征，就能够具有89.1％的mAP，并且在使用PCA进行降维后还可进一步提升性能，最终性能可在mAP指标上达到90.1％。
进一步地，本发明的基于多视角卷积池化的三维点云数据检索方法，因为对三维点云模型采用了PointImage预处理以及ImageNet预训练模型进行微调，所以能够得到高维特征；通过PCA对高维特征进行降维，所以能够在提高检索精度的同时提高检索速度；因为通过余弦相似度来进行相似度的计算，所以能够将查询三维点云模型的最终特征与特征数据库中的所有特征计算相似度，并根据相似度进行从大到小的排序从而返回与目标三维模型最相似的数据库的模型或者一定数量下的相似模型。
因此，本发明的基于多视角卷积池化的三维点云数据检索方法对三维点云数据进行检索时，不仅检索性能好，还能够从三维模型中提取到因旋转或者角度而改变的表征。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (4)

1.一种基于多视角卷积池化的三维点云数据检索方法，用于对三维模型数据库中的三维点云数据进行检索，其特征在于，包括如下步骤：
步骤1，将需要查询的三维点云模型通过PointImage预处理流程进行预处理，再使用ImageNet预训练模型中的ResNeXt50-32x4d，将模型在ModelNet40上微调，接着通过池化输出高维特征；
步骤2，通过PCA将所述高维特征进行降维，得到低维特征；
步骤3，将所述三维模型数据库的所有三维点云模型重复步骤1和步骤2，得到特征数据库；
步骤4，通过余弦相似度将需要查询的所述三维点云模型的最终特征与所述特征数据库中的所有特征计算相似度，而后根据所述相似度，按顺序返回检索到的三维点云模型列表。
2.根据权利要求1所述的基于多视角卷积池化的三维点云数据检索方法，其特征在于：
其中，所述步骤1中的PointImage预处理流程包括如下子步骤：
步骤1-1，根据设置的分辨率R将所在的需要查询的所述维点云模型所在空间划分为由个体素网格单元组成的体素网格空间；
步骤1-2，对于处于同个网络单元的C中的n个点，将其近似为同一个点，其坐标为C在体素空间中的坐标(rx,ry,rz)；
步骤1-3，根据选取的视角，将体素化的三维模型渲染成多视角的二维图像图片集。
3.根据权利要求1所述的基于多视角卷积池化的三维点云数据检索方法，其特征在于：
其中，所述步骤1中的所述高维特征为4096维的高维特征。
4.根据权利要求1所述的基于多视角卷积池化的三维点云数据检索方法，其特征在于：
其中，所述步骤2中的所述低维特征为100维以下的低维特征。
CN202010524536.9A 2020-06-10 2020-06-10 一种基于多视角卷积池化的三维点云数据检索方法 Pending CN111694976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010524536.9A CN111694976A (zh) 2020-06-10 2020-06-10 一种基于多视角卷积池化的三维点云数据检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010524536.9A CN111694976A (zh) 2020-06-10 2020-06-10 一种基于多视角卷积池化的三维点云数据检索方法

Publications (1)

Publication Number Publication Date
CN111694976A true CN111694976A (zh) 2020-09-22

Family

ID=72480150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010524536.9A Pending CN111694976A (zh) 2020-06-10 2020-06-10 一种基于多视角卷积池化的三维点云数据检索方法

Country Status (1)

Country Link
CN (1) CN111694976A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107209853A (zh) * 2015-01-27 2017-09-26 诺基亚技术有限公司 定位和地图构建方法
US20190026948A1 (en) * 2017-07-24 2019-01-24 Visom Technology, Inc. Markerless augmented reality (ar) system
CN110543581A (zh) * 2019-09-09 2019-12-06 山东省计算中心（国家超级计算济南中心） 基于非局部图卷积网络的多视图三维模型检索方法
CN111028345A (zh) * 2019-12-17 2020-04-17 中国科学院合肥物质科学研究院 一种港口场景下圆形管道的自动识别与对接方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107209853A (zh) * 2015-01-27 2017-09-26 诺基亚技术有限公司 定位和地图构建方法
US20190026948A1 (en) * 2017-07-24 2019-01-24 Visom Technology, Inc. Markerless augmented reality (ar) system
CN110543581A (zh) * 2019-09-09 2019-12-06 山东省计算中心（国家超级计算济南中心） 基于非局部图卷积网络的多视图三维模型检索方法
CN111028345A (zh) * 2019-12-17 2020-04-17 中国科学院合肥物质科学研究院 一种港口场景下圆形管道的自动识别与对接方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SJBANJAN DAS ET AL.: "《自动机器学习入门与实践》", 31 December 2019 *
邹辛怀: "基于室外三维点云多视角图像的目标分类与检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Similar Documents

Publication Publication Date Title
Litman et al. Learning spectral descriptors for deformable shape correspondence
US8015125B2 (en) Multi-scale segmentation and partial matching 3D models
Papadakis et al. Efficient 3D shape matching and retrieval using a concrete radialized spherical projection representation
CN108875813B (zh) 一种基于几何图像的三维网格模型检索方法
Leng et al. 3D object understanding with 3D convolutional neural networks
CN108280187B (zh) 一种基于卷积神经网络深度特征的分级图像检索方法
CN106844620B (zh) 一种基于视图的特征匹配三维模型检索方法
CN107633065B (zh) 一种基于手绘草图的识别方法
CN112784782B (zh) 一种基于多视角双注意网络的三维物体识别方法
Daras et al. Investigating the effects of multiple factors towards more accurate 3-D object retrieval
Vanamali et al. Shrec’10 track: Generic 3D warehouse
CN109241813A (zh) 用于非约束人脸识别的判别稀疏保持嵌入方法
Kayo Locally linear embedding algorithm: extensions and applications
CN111597367B (zh) 基于视图和哈希算法的三维模型检索方法
Yu et al. Visual query processing for efficient image retrieval using a SOM-based filter-refinement scheme
CN117312594A (zh) 一种融合双尺度特征的草图化机械零件库检索方法
da Fonseca Sketch-based retrieval in large sets of drawings
Bespalov and et al. Scale-space representation and classification of 3d models
CN111694976A (zh) 一种基于多视角卷积池化的三维点云数据检索方法
Wu et al. Mvpn: Multi-view prototype network for 3d shape recognition
Hu et al. Multi-geometric sparse subspace clustering
Niu et al. Statistical texture image retrieval in DD-DTCWT domain using magnitudes and relative phases
CN111461257B (zh) 一种流形空间中多视点视频的共享-差异表示及聚类方法
CN109543054B (zh) 一种基于视图的特征降维三维模型检索方法
Wang et al. A dimensional reduction guiding deep learning architecture for 3D shape retrieval

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200922