基于三维分类法的旅游信息分类体系与编码初探

随着国民收入的增长、消费理念的转变以及闲暇时间的增多,旅游业飞速发展,逐渐成为国家战略性支柱产业,为其提供理论、技术、信息支撑的旅游信息科学呼之欲出。进行旅游信息分类体系与编码研究是旅游信息科学理论的重要研究内容,同时为旅游管理、规划决策、旅游信息平台搭建提供技术与信息支持。文章基于旅游三体、旅游六要素、需求层次、协同、可持续发展和信息组织六大理论,结合目前旅游业与相关产业融合发展态势,全面系统地提取了各类旅游信息;采用时间、空间、属性三维分类方法,建立了旅游信息三维立体分类模型,构建了旅游信息五级分类体系基本框架;应用"空间维+时间维+属性维"信息编码结构,确定了旅游信息编码的3段37位代码;通过陕西省旅游信息管理数据库系统的实践验证,旅游信息分类体系和编码系统性强,完整性高,操作便捷,可为旅游信息科学的理论研究及实践应用提供借鉴。

基于三维分类的地方综合性大学院系研究路径

院系研究已逐渐成为高等教育院校研究的重要分支,而开展院系分类研究是院系研究的基础。文章从办学规模、博士点设置情况以及学科类别三个维度、经三次分类将院系划分为若干模块,使同质的院系划分在同一模块内,有利于开展各类横向、纵向对比分析和院校绩效考评工作。通过找到各类学院发展的特色和短板,为学校决策提供进一步支持。

判别性特征引导的零样本三维模型分类算法

基于零样本学习的三维模型分类是三维视觉领域的一个新兴话题,旨在对未经训练的三维模型进行正确分类.针对零样本三维模型分类中存在重视全局而忽视局部,强制约束而无视语义-视觉跨域差异性,导致整体性能低下的问题,提出一种判别性特征引导的零样本三维模型分类算法.首先,以三维模型的多视图表征为输入,自适应地捕获三维模型的局部判别性特征,获得具有良好语义对应性的视觉特征表示;其次,以词向量的形式引入类的语义表示,结合条件生成对抗网络生成类的伪视觉特征;最后,提出语义判别损失和内容感知损失联合监督,从语义到内容共同约束真实视觉特征和伪视觉特征的对齐,鼓励模型学习具有高局部判别性的特征,实现语义-视觉的跨域细粒度对齐.在ZS3D数据集上达到了60.9%的Top-1准确率,超越当前最好方法2.3个百分点,同时在Ali数据集的3个子数据集上也分别取得31.9%,9.9%和16.6%的准确率,均达到了较好的实验效果,验证了该算法的有效性和普适性.

基于PointCloudTransformer和优化集成学习的三维点云分类

针对三维点云的不规则性和无序性所导致的难于提取特征并进行分类的问题,提出了一种融合深度学习和集成学习的三维点云分类方法。首先,训练深度学习点云分类网络PointCloudTransformer,并使用主干网络提取点云特征,进而训练基分类器,获得基分类器集合;然后,针对集成学习算法设计基分类器选择模型,模型的优化目标为基分类器组合的差异性和平均总体精度。为了降低集成规模,本文基于增强后的白鲸优化算法提出了二元多目标白鲸优化算法,并使用该算法优化基分类器选择模型,获得集成剪枝方案集合;最后,采用多数投票法集成每个基分类器组合在测试集点云特征上的分类结果,获得最优基分类器组合,从而构建基于多目标优化剪枝的集成学习点云分类模型。在点云分类数据集上的实验结果表明,本文方法使用了更小的集成规模,获得了更高的集成精度,能够对多类别三维点云进行准确分类。

基于随机森林的三维工件点云分类研究

针对三维工件点云分类问题,本文研究了一种基于随机森林的三维工件点云分类方法。首先,将由双目相机获得的工件深度图像和彩色图像转换为彩色工件点云;然后,通过三维点云预处理技术对工件点云进行预处理,从而获得目标工件点云,并提取工件点云特征;最后,使用随机森林模型学习工件点云特征,并进行工件点云分类。通过在T-LESS数据集上的实验,验证了本文研究工作的有效性。在10个测试集场景上的三维工件点云分类中,取得了较优的分类结果。

基于ADGCNN的三维点云特征提取方法研究

三维点云数据具有稀疏性和不规则性,在特征提取时,现有方法未考虑特征通道的重要性差异。对此,提出一种结合注意力机制的ADGCNN网络,在EdgeConv结构中引入通道注意力模块,根据特征通道的重要程度分配不同权重,提升网络的表达能力。并且采用最大池化与平均池化拼接的方法处理点云的无序性问题,防止仅使用最大池化造成的信息损失。实验表明,在ModelNet40点云分类数据集上,ADGCNN相比于DGCNN的分类准确率由92.20%提高至93.31%,验证了ADGCNN网络的有效性。

基于适应加权非对称AdaBoost HMM的三维模型分类算法

针对三维模型的分类问题,提出了一种适应性加权非对称AdaBoost隐马尔克夫模型(HMM)分类算法.算法中提出了由三维模型表面的绝对法向量表示的两种新特征,将经过归一化和姿态调整的三维模型划分为若干部分,各部分对应HMM的一个状态,对各部分提取特征并用主成分分析(PCA)降维,对模型的4种特征对应的弱分类器使用非对称AdaBoost算法进行boosting.HMM的结构及参数初始值由模型姿势调整的可能形式及观测顺序确定,训练过程中参数用期望最大化方法计算,最后使用加权相似度计算对三维模型分类.分析及试验结果表明,与基于分布函数的分类算法相比,该算法明显提高了正确率.适应性加权后,分类正确率可进一步提高.

隐马尔科夫模型在三维模型自动分类中的应用

针对三维模型的分类问题,提出了一种基于隐马尔科夫模型(HMM)和最大期望(EM)算法的三维模型自动分类方法。将HMM引入三维模型自动分类问题中使得更多先验知识在分类过程中被利用。算法首先对三维模型进行预处理和组合切分,并提取各切分部分的形状直方图特征。对形状直方图特征进行离散归一化后形成HMM模型在某一时刻的观测值,这些观测值将用来训练HMM参数。HMM参数通过EM算法进行估计。最后通过计算未知模型和各类模型的HMM参数间的最大后验概率,获得三维模型的分类结果。在HMM建模过程中利用HMM本身所具有的时序性来描述三维模型的空间几何结构和局部几何特征。实验表明该方法在三维模型自动分类中有较高的准确率。

基于RBF神经网络集成的三维模型分类和检索

针对单个神经网络难以对复杂的三维模型特征空间有足够的优化能力和泛化能力的问题,用Boosting方法变种和基于粒子群训练的RBF神经网络,形成特征空间对应的多个神经网络,然后将神经网络集成,给出三维模型的分类信息。在三维模型检索时,将神经网络集成输出的分类信息和特征空间上的距离信息进行加权计算,得到三维模型之间的相似度。实验结果表明,基于RBF神经网络集成的分类方法能有效提高三维模型的分类准确率;同时,考虑特征空间上模型间的距离和语义分类层次上模型间的距离,能够大大提高三维模型的检索精度。

基于多局部显著视图与CNN的三维模型分类

为提高基于视图的三维模型分类算法准确度,结合多局部显著视图与卷积神经网络(CNN)提出一种新的三维模型分类算法。提取三维模型多视角下的局部视图,引入显著性评价,建立多局部显著视图集合,以合理表征原始三维模型,兼顾数据表示的完整性和多样性。在此基础上,综合单视图CNN,利用bagging策略构建面向三维模型分类任务的集成深度学习模型,从而提高分类器的泛化性和准确率。在ModelNet10数据集上的实验结果表明,该算法可有效提高分类准确率。

基于深度集成及细节感知的细粒度三维模型分类

针对基于深度学习的三维模型分类方法应用于细粒度三维模型分类时效果较差的问题,提出一种端到端的细粒度三维模型分类框架,并构建基于深度集成及细节感知的细粒度三维模型分类网络.通过由深度集成学习构成的主干网络提取三维模型多视图下的整体形状特征;采用基于上下文细节感知模块的辅助网络捕捉各个视图下的局部细节特征;两者相互融合,实现端到端的弱监督细粒度三维模型分类.选用公开数据集FG3D中不同难度的子数据集Airplane,Chair和Car进行实验,获得了当前最好的细分类精度,分别达到了96.31%,85.44%和79.62%的分类准确率,表明该网络具有良好的细分类性能和普适性.

ZS3D-Net: 面向三维模型的零样本分类网络

零样本三维模型分类对于三维形状的理解和分析非常重要.针对当前零样本三维模型分类缺乏相应数据集且准确率低的问题,设计并构建零样本三维模型数据集ZS3D,提供包括41个类1677个非刚性三维模型数据及所有类别的完备属性表征,为零样本三维模型的分类研究提供了数据基准;提出一种面向零样本三维模型分类的深度学习网络ZS3D-Net,通过集成学习子网络有效地提取三维模型的视觉特征信息,通过语义流形嵌入子网络捕捉未知类和已知类视觉特征和语义特征之间的关联性,完成对未知类的识别.在传统三维模型数据集和ZS3D上,ZS3D-Net分别取得了30.0%和58.6%的分类精度,表明其在同类工作中处于相当或领先的水平,验证了其可行性及有效性.

基于改进解释树的三维物体分类

为了实现对未知三维物体的分类,提出了一种基于改进解释树的三维物体分类方法,将未知物体分到一组预先定义的物体类中.在该方法中,提出了一组新的、完善的三维物体形状特征及对应的约束,定义了有效的解释树约束搜索规则,能快速得到待分类物体和三维模型之间的匹配关系;设计了形状相似性度量计算算法,得到待分类物体与三维模型之间的形状相似度.该分类方法能实现多种类型的匹配计算,得到具有模型形状相似度排序的分类结果和未知物体所属的类别.大量的实验结果充分表明了该三维物体分类方法的良好性能.

姿态非对齐的三维模型分类

目前的三维模型分类方法均是对初始姿态已经对齐的数据集进行分类,但是在实际应用中,三维模型的姿态是未知的,非对齐的三维模型将导致分类准确率急剧下降.本文提出了一种新的三维模型分类方法,适用于模型姿态对齐和非对齐两种情况.该方法采用图卷积神经网络(Graph Convolutional neural Network,GCN)学习视图间的空间关系,将预先设置好的相机位置作为图结构中的顶点,并通过时序特征提取网络以及注意力网络进一步提升GCN的运算效果,从而完成三维模型的分类.实验表明,该方法在ModelNet10和ModelNet40数据集上进行实验,在三维模型姿态对齐的情况下,分类准确率分别高达99.3%和97.4%,远高于现有方法.在三维模型姿态非对齐的情况下,也有较高的分类准确率.

三维储量(资源)分类系统——对铀的建议

鉴于尚缺少一个国际上所公认的矿产资源分类,本文提出了一个新的分类方案。其依据是:(1)NEA和IAEA目前采用的铀资源分类;(2)本文第一作者在第三世界国家勘探煤矿所获得的经验;(3)1989年出版的“报道查明矿产资源和矿产储量的大洋洲规程”。 本建议只讨论了以地质资料为依据的现有资源估算分类与那些作了不同程度经济因素研究(预可行性研究,可行性研究)的分类之间的协调一致。现有的NEA和IAEA铀资源分类已经考虑了铀资源经济可行性的资料和它们的生产费用。所以,与其他分类系统协调一致应是可能的。 本建议应看作是一个暂定的,以供与资源分类有关的机构进行讨论。

基于改进SOM-K-Means算法的三维点云分类

针对目前的点云分类是直接将原始点云作为输入并提前预设点云分类数存在的缺陷,本文提出一种改进的方法,在输入前对原始点云进行预处理,对密集的点云降低密度以减少计算量,对稀疏的点云进行三角形内部线性插值以便提取完整的特征,以此提高点云分类的精度。将预处理后的点云数据输入SOM-K(K-Means优化的自组织映射神经网络)模型进行聚类,再将聚类后的点云数据并行通过PointNet网络进行点云数据特征的提取,这种先进行聚类后、进行特征提取的方法可以充分保留点云在点云空间中的分布特性,并且不额外增加数据特侦提取的计算时间。

统计特征和Markov模型在三维模型分类中的应用

针对三维模型的分类问题,提出了一种基于统计特征量和Markov模型的分类算法。该算法对预处理后的三维模型进行几何切分,并提取切分后每块的统计特征。对三维模型各分块进行一定顺序的观测,可以获得由各分块的统计特征量构成的Markov模型的伪时间序列。再对不同类模型进行训练并得到各类模型对应的Markov模型参数。最后定义模型间的相似度度量,获得三维模型的分类结果。实验表明该算法在绝大多数类别的模型上分类效果较好,准确率达到90%以上。

基于多模态特征融合的三维点云分类方法

针对点云数据本身信息量不足导致现有三维点云分类方法分类精度较低的问题,结合多模态特征融合,设计一种三维点云分类模型。通过引入投影图对点云数据信息进行扩充,将点云数据与图像数据同时作为输入,对PointCNN模型提取的点云特征与CNN模型提取的投影图特征进行加权融合,从而得到最终分类结果。在ModelNet40数据集上的分类结果表明,该模型的分类精度达到96.4%,相比PointCNN模型提升4.7个百分点。

法向算子和D2算子相结合的铸件三维模型分类算法

为了解决铸造生产中相同类型铸件的历史工艺复用问题,提出了一种法向算子和D2算子相结合的铸件三维模型分类算法。该方法从三维模型的面特征和点特征信息出发,分别提取三维模型的法向算子和D2算子特征描述符,通过度量新铸件模型和各类别模型特征描述符的相似性实现铸件模型分类。在企业实际生产的铸件模型库中的实验结果表明,该方法对常见的铸件类别有很好的特征识别效果,解决了D2算子作为预分类器时处理部分复杂模型时存在的特征不敏感的缺陷,可以获得准确率高的分类结果。

多视图融合的三维模型分类

目前基于视图的三维模型分类已经成为一个研究热点。但是,现有的方法会产生大量冗余视图,且所有的视图都被平等对待,忽略了不同视图之间的差异性和重要性。针对以上问题,提出了多视图融合的三维模型分类方法。该方法首先使用加入混合域注意力机制的视图特征提取网络提取视图特征,然后对这些视图特征进行特征融合,将融合后的特征输入到加入通道域注意力机制的视图权重学习网络,根据不同视图对三维模型重要性不同赋予不同权重,形成具有代表性的特征描述符用于三维模型分类。实验结果表明,在刚性三维模型数据集ModelNet10和ModelNet40中分类准确率分别达到了98.3%和95.5%。