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.

基于单元重用机制的轻量化建模算法

给出了一种在三维模型中发现所有外形相同的模型单元并重用这些单元来构造轻量化模型的新方法。该方法不仅能有效地区别相同几何顶点而拓扑不同的模型单元,并且通过对模型单元进行对称不变性变换及其它优化处理,使相同单元的对齐效果和处理效率得到了进一步的提升。采用的体素化匹配方法对于PCA协方差矩阵退化情况具有鲁棒性,不需专门处理,并可以精确且高效地比较两单元。实验结果表明,该方法相比其他方法可以寻找出更多的可重用单元,速度上平均提升20倍左右,因此本方法在效果与效率上均好于已有的同类算法,并且很好的应用于模型轻量化。