基于本体词汇的三维模型语义检索

描述了一个基于本体词汇的三维模型语义检索的方法。该方法首先对一个三维模型库的词汇进行语义上扩充,然后基于关键词进行检索,而不是做简单的文字匹配。其主要工作是利用WordNet英文本体和Jena推理引擎构建一个语义网络,然后在该语义网络上做推理查询,检索到相应的语义结果。实验结果表明,该方法能有效地将一个分类不够丰富的模型库的词汇做较大的扩充,使其覆盖的范围扩大,同时保证扩充的词汇和原有词汇在语义上的相关性,从而提高基于语义关键词检索三维模型的有效性。

一种知识本体包容性的评价方法

提出了一种估计本体包容性(comprehensiveness)的方法。与一般方法不同,该方法不是简单地把本体中类和属性的个数当成本体的包容性,而是通过对语料库的统计分析,发掘出本体词汇在自然语言中的出现频率,从而更准确地反映了本体的包容性。它考虑到了本体的内容和包容性的关系,是对本体更深入地分析,因而对本体的构建和选择具有更好的指导意义。

基于神经网络的三维模型视觉特征分析

首先从形状、颜色、纹理材质三个主要视觉特性入手,阐述模型的特征描述符,设计三元组视觉特征向量用于神经网络进行模型分类。具体基于感知器神经网络、Hopfield神经网络分别实现了对三维物体的分类。实验表明,基于神经网络的分类器能对基于视觉特征描述的三维物体进行有效识别。

基于相似性序列分析的三维模型检索性能评价

普林斯顿形状基准数据库已经成为当前三维模型检索研究人员使用最为广泛的基准数据库之一。但是该基准数据库存在着一个重要的缺陷,那便是模型类别之间的相似性没有被考虑,这导致在对检索结果进行性能评价时出现与人类直观感觉不一致的结论。为了克服这个缺陷,提出了一种新的基准数据库分类方案,并且在此基础上提出了一种基于相似性序列分析的检索性能评估方法。

基于区域语义子概念分布的场景分类

大量的需求使得图像检索成为当前研究的热点。提出了对图像进行均匀分割、识别区域子概念并在此基础上对概念分布向量进行融合的场景分类方法。实验结果表明,这种方法提高了分类结果的P/R值,获得了很好的分类结果。

基于视觉一致性的图像检索

提出一种新的彩色图像分割方法,将图像分割成具有明显视觉一致性的区域,这种一致性能够模拟人观察图像时的视觉感受,例如图像中的一片区域具有相同的颜色、纹理。对这样的一致性区域建立特征描述符,如颜色编码、连通系数、面积比例,其中颜色编码是通过将像素在HSI颜色空间中量化得到,进而为整幅图像建立特征描述;然后将这种特征描述用于图像的检索。实验结果表明,这种方法不仅能够很好地模拟图像所带给人的视觉感受,而且对具有视觉一致性的图像检索效果也有很好的表现。