项目名称: 基于深度学习的三维模型检索技术

项目编号: No.61472023

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 计算机科学学科

项目作者: 冷彪

作者单位: 北京航空航天大学

项目金额: 84万元

中文摘要: 由于传统的三维模型检索技术中特征表示能力有限,而深度学习模型具有较强的特征表示能力,因此,采用深度学习对三维模型投影图像进行特征表示被认为是最有前途的三维模型检索技术之一,具有非常重要的理论和应用价值。将深度学习应用到三维模型检索领域的研究在国际上仍是崭新且富有挑战性的,有很多问题尚未解决。本课题基于深度学习的理论和方法,提出基于深度学习的三维模型检索技术。本项目将系统地分析三维模型检索技术中代表性视图选择的原理和特性,研究基于深度学习的模型视图的特征表示,提出新的模型间距离度量算法,最终构建基于深度学习的三维模型检索技术框架,实现三维模型特征的高层抽象表示,从而为三维模型的形状比较、识别、检索和重用提供必要的技术保障。研究内容包括:面向三维模型检索的代表性视图选择机制、面向三维模型特征表示的深度学习模型结构、深度学习模型中的训练学习算法,面向多视图的三维模型相似性度量算法。

中文关键词: 三维模型检索;深度学习;代表性视图;特征表示

英文摘要: The traditional 3D model retrieval technology has limited feature representational capacity, while deep learning models have powerful representational capacity to approximate distributions of input data. Therefore, the application of deep learning to extract projected image features is considered as one of the most promising methods in the field of 3D model retrieval, and it has significant theoretical and practical values. The research study on how to apply the deep learning techniques to 3D model retrieval is still new and challenging in the world, and there are many problems yet to be resolved. Based on the theoretical and methodological issues in deep learning, this project proposes a novel 3D model retrieval mechanism based on deep learning. This project will systematically analyze the principles and characteristics of representative view selection in the area of 3D model retrieval, research on the feature representations of projected views based on deep learning, and propose a new distance metric algorithm among 3D models. Finally, it will construct a 3D model retrieval framework based on deep learning, and the features of 3D models will be described as high-level abstract representation. Thus, it provides the necessary technical supports for 3D model identification, retrieval and reuse. In this project, the main researches include: the representative view selection mechanism for 3D model retrieval, deep learning model structures for feature representation of 3D models, training and learning algorithms in deep learning models, similarity measure of multi-view for 3D model retrieval.

英文关键词: 3D Model Retrieval;Deep Learning;Representative View;Feature Representation

成为VIP会员查看完整内容
12

相关内容

专知会员服务
21+阅读 · 2021年10月9日
专知会员服务
35+阅读 · 2021年8月27日
基于深度学习的图异常检测技术综述
专知会员服务
83+阅读 · 2021年7月28日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
60+阅读 · 2021年3月25日
专知会员服务
45+阅读 · 2021年3月24日
专知会员服务
69+阅读 · 2021年1月16日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
45+阅读 · 2020年12月4日
基于深度学习的手语识别综述
专知会员服务
46+阅读 · 2020年5月18日
基于深度学习的单视图三维重建算法学习路线
极市平台
8+阅读 · 2022年1月12日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于虚拟现实环境的深度学习模型构建
MOOC
24+阅读 · 2019年9月28日
深度学习的下一步:Transformer和注意力机制
云头条
56+阅读 · 2019年9月14日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
独家 | 基于深度学习的行人重识别研究综述
AI科技评论
11+阅读 · 2017年12月20日
从传统方法到深度学习,人脸关键点检测方法综述
机器之心
14+阅读 · 2017年12月17日
深度学习中的注意力机制
人工智能头条
16+阅读 · 2017年11月2日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
17+阅读 · 2014年12月31日
国家自然科学基金
12+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Residual Mixture of Experts
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月19日
小贴士
相关VIP内容
专知会员服务
21+阅读 · 2021年10月9日
专知会员服务
35+阅读 · 2021年8月27日
基于深度学习的图异常检测技术综述
专知会员服务
83+阅读 · 2021年7月28日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
60+阅读 · 2021年3月25日
专知会员服务
45+阅读 · 2021年3月24日
专知会员服务
69+阅读 · 2021年1月16日
专知会员服务
77+阅读 · 2020年12月6日
专知会员服务
45+阅读 · 2020年12月4日
基于深度学习的手语识别综述
专知会员服务
46+阅读 · 2020年5月18日
相关资讯
基于深度学习的单视图三维重建算法学习路线
极市平台
8+阅读 · 2022年1月12日
基于深度学习的小目标检测方法综述
专知
2+阅读 · 2021年4月29日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
基于虚拟现实环境的深度学习模型构建
MOOC
24+阅读 · 2019年9月28日
深度学习的下一步:Transformer和注意力机制
云头条
56+阅读 · 2019年9月14日
基于二进制哈希编码快速学习的快速图像检索
极市平台
12+阅读 · 2018年5月17日
独家 | 基于深度学习的行人重识别研究综述
AI科技评论
11+阅读 · 2017年12月20日
从传统方法到深度学习,人脸关键点检测方法综述
机器之心
14+阅读 · 2017年12月17日
深度学习中的注意力机制
人工智能头条
16+阅读 · 2017年11月2日
相关基金
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
17+阅读 · 2014年12月31日
国家自然科学基金
12+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员