基于改进的稀疏降噪自编码网络的三维模型识别方法

针对海量数据挖掘中三维模型特征识别准确率较低的问题,提出一种改进的稀疏降噪自编码神经网络模型.先基于改进的稀疏降噪自编码方法构建深度神经网络模型,再利用无监督预训练方法及受限的拟牛顿计算方法对自编码神经网络进行训练,最后采用softmax回归和得到的特征训练最终的分类器.结果表明:该方法对有噪声的三维模型特征信息具有较好的鲁棒性;与栈式自编码神经网络和自学习神经网络相比,该方法识别率较高.

基于胶囊网络的三维模型识别

为解决传统卷积神经网络中大量池化层的引入导致特征信息丢失的问题,依据胶囊网络(CapsNet)使用向量神经元保存特征空间信息的特性,提出了一种用以识别三维模型的网络模型3DSPNCapsNet。使用新的网络结构,提取更具代表性的特征的同时降低了模型复杂度,并提出基于动态路由(DR)算法的DRL算法来优化胶囊权重的迭代计算过程。在ModelNet10上的实验结果表明,相比3DCapsNet以及VoxNet,该网络取得了更好的识别效果,在原始测试集上3DSPNCapsNet的平均识别准确率达到95%,同时验证了该网络对旋转三维模型的识别能力。适当扩展旋转训练集之后,所提网络对各角度旋转模型的平均识别率达到81%。实验结果表明,3DSPNCapsNet对三维模型及其旋转具有良好的识别能力。

深度图注意力CNN的三维模型识别

针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征,可能造成几何形状极其相似,局部细节信息略有不同的类识别混淆的问题,提出一种基于深度图注意力卷积神经网络的三维模型识别方法。首先,通过引入邻域选择机制挖掘三维模型的细粒度局部特征。其次,通过空间上下文编码机制捕捉多尺度空间上下文信息,且与细粒度局部特征相互补偿以增强特征的完备性。最后,采用一种多头部机制,使图注意力卷积层聚合多个单头部的特征以增强特征的丰富性。此外,设计选择性丢弃算法,根据度量权重值对神经元重要性进行排序,智能地丢弃重要性较低的神经元来防止网络过拟合。算法在ModelNet40数据集上的三维模型识别准确率达到了92.6%,且网络复杂度较低,在三维模型识别准确率和网络复杂度之间达到最佳平衡,优于当前主流方法。

动态奇异值网络的三维模型识别

卷积神经网络的兴起产生了大量基于视图的三维模型识别方法,不同的视图融合方式影响了网络模型的特征提取性能.本文提出了一种自适应视图融合方法,将视图的动态奇异值信息作为三维模型的特征描述符,获得三维模型全局特征的方式由区域化分块、自适应SVD(Singular Value Decomposition)分解和维度压缩三部分组成,通过分块后的子区域极大地关注三维模型的局部特征,并用自适应的方法判断每个局部特征的影响大小,最后维度压缩去除较小影响的数值.动态奇异值网络是将这三部分作为卷积神经网络的后端,形成一个端对端(end to end)可训练的三维模型特征提取框架.与当今先进方法相比,在ModelNet40数据集上的分类和检索结果分别提升了1. 2%和0. 8%,在ModelNet10和ModelNet40的Top-10平均检索精度分别提高了3. 7%和4%.

基于深度体素卷积神经网络的三维模型识别分类

提出一种基于深度体素卷积神经网络的三维(3D)模型识别分类算法,该算法使用体素化技术将3D多边形网格模型转化为体素矩阵,并通过深度体素卷积神经网络提取该矩阵的深层特征,以增强特征的表达能力和差异性。在ModelNet40数据集上的实验结果表明:所提算法对3D网格模型识别分类的准确率能够达到87%左右。所构建的深度体素卷积神经网络能够有效地增强3D模型的特征提取和表达能力,提高对大规模复杂3D网格模型分类识别的准确率,所提方法优于当前的主流方法。

基于最大熵阈值分割的电气二次回路故障三维可视化识别模型

为了更直观地、实时监测了解二次回路运行工况,减少故障事后排查工作量,研究了基于最大熵阈值分割的电气二次回路故障三维可视化识别模型。采集二次回路各项运行数据,生成电气二次回路三维虚拟场景,标定电压传感器的位置以及红外成像仪的监控角度和距离;基于最大熵阈值分割处理图像,提取识别目标和背景;建立二次回路故障三维可视化识别模型,实现二维图像和三维场景的匹配,完成电气二次回路故障识别。经实验论证分析,最大熵阈值分割处理后的三维可视化图像清晰,不存在像素点丢失情况;故障识别准确率均在95%以上,误检率和漏检率均低于5%,具有更好的三维可视化识别效果和质量。

基于胶囊网络的三维网格模型分类方法

多边形网格作为一种复杂的数据结构为三维物体提供了有效的形状近似表示,但由于网格数据的复杂性和不规则性,卷积神经网络很难直接应用到三维网格数据处理中.因此,提出一种基于胶囊网络的深度学习方法对三维网格数据进行有效分类.首先设计一种能够直接在网格表面进行计算的多项式卷积模板,提取三维网格模型的高阶参数特征.同时,为解决传统卷积神经网络大量池化层的引入导致的特征丢失问题,针对输入网格模型尺寸大小不统一问题,改进了胶囊网络姿态参数学习方法,通过共享姿态矩阵权值,减少模型参数量,进一步提高了三维网格模型的训练效率.实验在SHREC15数据集上与传统方法和最新的两种方法进行比较,相比于最新方法MeshNet和MeshCNN,在原始测试集上的平均识别准确率提高了3.4和2.1个百分点,且融合特征后平均准确率达到93.8%.经实验验证,在训练时间较短的前提下,该方法也能取得相当的识别效果.本文所提出的三维网格分类方法,综合了图形学与深度学习方法的优点,有效提高了三维网格模型的分类效果.

利用早停可微架构搜索的三维点云模型分类

针对现有三维点云分类网络采用人工设计费时费力的问题,提出早停可微架构搜索(early-stopping differentiable architecture search,ES-DARTS)算法。利用从人工设计网络架构中提取到的先验知识,预定义一个包含高效候选操作的搜索空间,可快速搜索出适用于三维模型分类任务的高性能网络模型;通过追踪网络搜索阶段各候选操作的权重变化,找出跳跃连接操作在双重优化过程中发挥不公平竞争作用的临界点并在此处停止搜索,以保证各候选操作之间的稳定性,解决DARTS算法搜索过程中易出现性能崩溃的问题。提出的算法在ModelNet40数据集上达到了93.2%的识别准确率,比当前人工设计的主流网络具有更高的识别准确率。

基于神经网络的3D点云模型识别的方法

针对点云的三维模型识别方法缺乏局部空间特征,从而影响3D模型的类识别的问题,提出一种基于残差模块的卷积神经网络三维模型识别方法。通过引入残差模块,构建深层神经网络增强点云模型的局部信息,提高物体的识别精度。同时,采用了一种获取多尺度局部空间信息的策略,加快了模型的推理能力。实验证明,算法识别准确率达到了91.5%,加快了模型的推理速度,可应用于对点云模型识别有实时性要求的场景,如:流水线上物体的检测等。

体视学:一门关于多维几何结构及图像的边缘和交叉科学(英文)

本综述论文首先引入文献中体视学狭义和广义的定义及领域范围，然后举例介绍了（狭义）体视学的用途。狭义地讲，体视学是根据其截面或投影图像获取三维结构定量信息的一门科学；广义地，则可认为体视学覆盖了与多维结构或图像的理解、重建及定量分析有关的原理、方法、软硬件研究、制造及应用等所有内容。不同定义中有一点是共同的，即体视学是一门关于多维几何结构及图像的边缘和交叉科学分支。体视学方法在地球科学中有以下可能的应用：１）辅助监测火山岩浆囊的活动； ２）辅助寻找地质上非常稳定的地区以用于特定目的（如埋藏核废料）；３）辅助探测地下矿产资源和能源，由地下地震波速度和衰减参数的三维分布、电磁波衰减参数的三维分布图以圈定成矿带：４）结合三维地电法探测地下古墓葬和地下水的空间分布以及大型桥梁基础弱带等。由电磁波和电阻率等ＣＴ技术得到桥梁地基、地铁隧道（ｔｕｎｎｅｌ）附近的精细的三维剖面图像，体视学则可望用于根据这些剖面图像进一步定量描述其对应的三维构造，在保证这些建筑物质量时起到重要的作用；５）由地幔温度的三维分布探测地幔热柱和地热区的热容量分布，以决定地热田开发的规模，并能经济合理地决定地热钻井的位置和深度。由此可见。

Using structure restoration maps to comprehensively identify potential faults and fractures in compressional structures

Faults and fractures of multiple scales are frequently induced and generated in compressional structural system. Comprehensive identification of these potential faults and fractures that cannot be distinguished directly from seismic profile of the complex structures is still an unanswered problem. Based on the compressional structural geometry and kinematics theories as well as the structural interpretation from seismic data, a set of techniques is established for the identification of potential faults and fractures in compressional structures. Firstly, three-dimensional(3D) patterns and characteristics of the faults directly interpreted from seismic profile were illustrated by 3D structural model. Then, the unfolding index maps, the principal structural curvature maps, and tectonic stress field maps were obtained from structural restoration. Moreover, potential faults and fractures in compressional structures were quantitatively identified relying on comprehensive analysis of these three maps. Successful identification of the potential faults and fractures in Mishrif limestone formation and in Asmari dolomite formation of Buzurgan anticline in Iraq demonstrates the applicability and reliability of these techniques.