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。

基于场景显著区域的改进闭环检测算法

针对闭环路径不一致、闭环视角变化较大的VSLAM(视觉同时定位与地图创建)闭环检测问题,提出了一种基于场景显著区域的改进闭环检测算法.首先设计了基于场景显著区域的闭环检测架构,并构建了相应的闭环全概率模型.其次,提出了融合特征跟踪率与RGB直方图匹配的关键帧选取方法,降低了闭环检测过程的信息冗余.然后,采用基于逆向索引的预匹配场景选取方法,极大地提高了闭环检测的实时性.最后,根据本文的场景显著区域的几何特点给出了显著区域之间的观测几何匹配概率,提高了闭环检测算法对歧义场景的分辨能力.与FAB-MAP 2.0的对比实验表明,在保证较高的闭环准确率的条件下,本文算法能够有效提高对不重合路径闭环以及大视角变化的闭环的召回率,并具有良好的实时性.