基于草图全局特征与局部特征的三维模型检索研究

作     者：郑悫 

作者单位：厦门大学 

学位级别：硕士

导师姓名：姚俊峰

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：模型检索 全局特征 中间媒介 局部特征 外围轮廓 

摘      要：随着三维模型数量呈海量式增长,迫切需要简单快捷而又准确高效的检索系统来管理三维模型。基于草图的三维模型检索方式不仅具有出色的用户友好性,也满足当前各行各业快节奏的生产需求。然而,草图与三维模型之间巨大的跨模态差异,给相似性度量匹配与检索造成了较大的困难。另外,由于草图线条扭曲、内容抽象,导致特征信息少、挖掘难度大。本文致力于研究如何有效地解决这两大难题,采用以深度学习方法为基础,构建了两种不同的方法模型,从草图全局特征和局部特征的角度来提升检索的性能。本文的主要工作及创新点如下:(1)针对草图与三维模型之间的跨模态差异,提出一种利用媒介数据的度量学习(Mediation Metric Learning,MML)模型。在使用多角度视图表征三维模型的基础上,设计了独特的贡献度得分计算模块,充分利用模型不同角度的层次相关性与可分辨性。另外,模拟生成兼具草图内容风格与视图角度特征的媒介数据,以之为中间媒介,构建一种创新的桥梁式度量学习框架。实验结果表明:MML模型不仅有效地降低了草图与视图在内容上的差异,也间接地拟合了二者的特征信息,提升了检索性能,为基于草图的三维模型检索提供一种新颖的思路框架。(2)针对草图特征信息少、挖掘难度大的挑战,提出了一种局部轮廓度量学习(Local Contour Metric Learning,LCML)模型。设计了 一种非均匀采样与无监督聚类分割相结合的创新算法,对草图与视图的外围轮廓进行采样与分割,得到更加符合语义的局部轮廓。并使用具有尺度不变性的角度矩阵来描述局部特征,进行独特的局部轮廓度量学习。在基于SHREC’13数据集的各项评估指标上,LCML模型检索性能领先于其他方法超过2%,取得了优秀的检索结果,深入地挖掘了草图更细致的特征,证明了 LCML模型的创新性与有效性。