专利交易市场

本发明涉及基于较优视图和深度卷积神经网络的三维模型检索方法，本发明首先从多个视点提取三维模型的视图，并按照灰度熵的排序选取较优视图。其次通过深度卷积神经网络对视图集进行训练，从而提取视图的深度特征并进行降维。同时，对输入的自然图像提取边缘轮廓图，经过相似度匹配返回一组三维模型。最后，基于目标模型所属类别占检索结果比例对结果列表进行微调重排，返回最终的检索结果以实现三维模型检索，此方法有效选取了较优视图，降低了视图冗余，并使用深度特征对视图进行更高层的表达，有效提高了检索效果。

本发明涉及一种基于极小极大值博弈理论视图逼近的三维模型检索方法，本发明提出了一种新的卷积网络结构，该网络结构在已有卷积特征提取网络中嵌入一个视图生成器模块，该模块通过带有条件概率的二人极小极大值博弈理论生成视图，解决草图和视图之间的特征差异性问题；然后通过残差网络构造特征提取层，并在采用加权函数提高特征可分性。本发明减少草图和三维模型视图的特征差异性，提高基于草图的检索准确率。

本发明公开了一种基于核稀疏表示的三维模型分类检索方法。本发明步骤如下：1、运用一种基于二次误差作为度量代价的边收缩算法对以点云形式表示的三维模型进行顶点简化处理；2、计算顶点简化后三维模型的方向，保证同类模型在方向上能够对齐，通过计算得到了三维模型的三个特征方向向量；3、基于三个特征方向向量对三维模型进行渲染，得到相应不同方向上的多张不同渲染图像；4、针对不同数据集中三维模型的特点，综合考虑数据特征与描述符特征，选定特征描述符提取渲染图像的特征；5、利用改进的核稀疏表示分类器对提取的特征向量进行匹配，进而实现对三维模型的分类检索工作。本发明具有一定的鲁棒性，取得了较为高效、可靠的优越性能。

自驱动多视图特征引导的基于草图的三维模型检索方法，针对提取三维模型多视图特征时未能考虑各个视图相关性而导致的信息损失问题，通过自监督框架(Bootstrapyourownlatent,BYOL)改善特征提取的效率和泛化能力。与现有主流SB3DR方法相比，本发明没有任何外部依赖，仅通过数据本身和简单模型就能完成对多视图特征中隐含的结构化信息的提取。本方法已在开放数据集上进行测试并取得了良好表现。

本发明公开了基于组对深度特征学习的多视图三维模型检索方法及系统，包括：获取待检索三维模型不同角度的二维视图，提取每一个二维视图的初始视图描述符；对上述的多个初始视图描述符进行聚合，获得最终的视图描述符；分别提取最终的视图描述符的潜在特征和类别特征；将所述潜在特征和类别特征进行加权组合，形成形状描述符；将得到的形状描述符与数据库中三维模型的形状描述符进行相似性计算，实现多视图三维模型的检索。本发明提出多视图三维模型检索框架GPDFL，融合了模型的潜在特征和类别特征，能够提高特征的识别能力和模型的检索性能。

本发明涉及三维模型检索技术领域，提供一种基于多环视图和隐类挖掘的三维模型检索方法。本发明通过选取数据集，以数据集中的三维模型为中心配置一个虚拟相机，虚拟相机围绕Y轴等角度旋转及再沿着Z轴等距位移并拍摄，共同生成多环视图；多环视图经过多环视图特征学习网络学习处理后，得到三维模型表示；数据集中的草图通过细粒度草图聚类网络处理，将草图的特征与三维模型的特征对齐，得到三维模型检索结果。根据本发明的方案，多环视图特征学习网络的增强技术可以从多个角度捕捉三维模型的特征，以增强模型对三维形状的理解，更准确地识别和匹配草图中的三维模型；并且细粒度草图聚类网络的隐类挖掘技术，进一步提升草图检索三维模型的性能。