使用卷积网络估计三维形状的正流朝向-计算数学专业毕业论文.docxVIP

摘要摘要 摘要 摘要 大多数三维物体都有一个自然向上的朝向，我们称之为正朝向。将物体摆正 到其正朝向是一个重要的问题。首先，它有助于物体的识别。而且，这也是物体 匹配、检索、形状分析等许多图形学问题中的第一个步骤。另外，这也有助于生 成具有高识别度的物体预览图，来帮助三维形状数据库的管理。然而，由于各种 各样的原因，现有数据库中的许多模型都没有处在其正朝向。 本文提出了一种基于机器学习的方法，使用三维卷积网络来预测物体的正 朝向。当给定足够量的三维物体及其正朝向的方向向量时，该预测问题可以建模 为回归问题。本方法借助于深度网络的学习能力，可以处理一般性的三维物体， 而不需要对其形状做对称性、平行性等假设。除了网格模型外，本方法还可以处 理能够被体素化的其他种类的数据，例如隐式曲面和点云。 与基于卷积网络的方法相比，过往方法的劣势在于它们受限于其预先假设 的规则。但是，这些规则并不总是成立。因此，基于学习的方法更适用于一般的 物体。尽管已有工作中已经使用了数据驱动的方法，但是其学习过程基于人工设 计的稳定性、可见性和平行性等特征，这些特征对一般物体的正朝向估计并不适 用。相比之下，神经网络通过端到端的学习方式，直接从原始数据中提取高层知 识，而不依赖于物体的对称性等正规性质。 但是，单一的卷积网络难以对一般的物体都起作用。核心问题在于，每种物 体的正朝向有其特殊的性质。这种情况在机器