基于深度学习的三维模型检索技术研究

《基于深度学习的三维模型检索技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度学习的三维模型检索技术研究Researchon3DModelRetrievalTechnologyBasedonDeepLearning学科专业：信息与通信工程作者姓名：张欣指导教师：吕卫副教授天津大学电气自动化与信息工程学院二零一七年十一月摘要随着信息时代的高速发展，多媒体数据信息的形式越来越多样化。由于真实物体具有空间特性，相对于文本信息与二维图像，三维模型能够携带更多的信息且更具表现力，已经越来越广泛地应用于3D电影、三维体感游戏、三维立体成像、三维医学技术、地理信息系统等各个方面。三维模型检索的技术也在时代的进步下逐渐的发展起来。随着这些技术的发展，人们在各个领域中

2、对三维模型的利用也越来越频繁，面对三维模型数量级的指数增长，如何从海量的数据中快速、有效地获取想要的目标模型就成为了当下亟待解决的关键问题。本文首先介绍了的三维模型检索技术的研究意义和背景，然后对国内外现有的有关三维模型检索算法的研究基础上，将目前广受关注的深度学习理论引入到三维模型检索领域来。并在此基础上提出了两种三维模型检索算法：1）基于循环卷积神经网络的三维模型检索算法：该方法利用卷积神经网络（ConvolutionalNeuralNetworks,CNN）提取低水平的平移不变性的底层特征，然后作为循环神经网络（RecurrentNeuralNetworks,RNN）的输入进

3、行序列学习，挖掘不同视角下视图间的依赖关系，提取出更鲁棒的模型特征。2）基于残差网络与长短期基于模型的三维模型检索算法：通过应用残差网络（ResidualNetworks,ResNet）结构和长短时记忆（LongShort-TermMemory,LSTM）模型，对循环卷积神经网络进行优化，避免了在层数加深、序列加长时引起的梯度消失现象。最后通过实验来验证了以上两种基于深度学习的检索技术的实际检索效果，与当下主流的算法进行了对比，实验的结果也验证了本文提出算法的可行与有效性。关键词：三维模型检索，深度学习，卷积神经网络，循环神经网络，残差网络，长短时记忆模型IABSTRACTWith

4、therapiddevelopmentoftechnologies,theformsofmultimediadatainformationaremoreandmorediversified.Duetothespecificcharacteristicsofactualsituations,three-dimensionalmodelsareabletocarrymoreinformationandmoreexpressivenessthantextualinformationandtwo-dimensionalimages.Andthree-dimensionalmodelsare

5、appliedmoreandmorewidelyinthree-dimensionalmovies,gamesandstereoscopicimaging,medicaltechnology,geographicinformationsystemandotheraspects.Thetechnologyof3Dmodelretrievalhasalsograduallydevelopedundertheprogressofthetimes.Withthedevelopmentofthesetechnologies,3Dmodelsaredeployedinvariousfields

6、moreandmorefrequently.Withtheexponentialgrowthof3Dmodels,toobtainthedesiredtargetmodelquicklyandeffectivelyfrommassivedatabecomesthemostimportantandurgentissue.Thispaperfirstlypresentsthesignificanceandbackgroundof3Dmodelretrieval,then,thispaperintroducetheDeepLearningintothefieldof3Dmodelretr

7、ieval.Basedonthis,twokindsof3Dmodelretrievalalgorithmsarepresented:1)3Dmodelretrievalalgorithmbasedoncircularconvolutionneuralnetwork:thismethodusesconvolutionalneuralnetwork(CNN)toextractlowleveltranslationinvariantunderlyingfeatures.T