基于超图神经网络和多特征融合的三维模型分类.pdf

基于超图神经网络和多特征融合的三维模型分类

摘要

近几十年来，随着计算机视觉领域的不断发展，基于深度学习的三维模型分

类问题备受人们的关注。三维模型分类在机械制造、药物预测、自动驾驶等领域

得到了广泛应用。相较于点云和体素等方法，基于二维投影视图的方法在三维模

型分类领域取得了显著的成效。但是，基于二维投影视图的分类方法主要面临的

问题是如何更好的增强三维模型特征的表达以及如何将多个二维视图特征融合成

一个全局的3D形状描述符。由于超图神经网络能够更好地捕捉实际数据中复杂的

关联关系，同时可以更好地表达节点和超边之间的关系。因此，基于超图神经网

络的三维模型分类方法既能在融合时保留视图之间的关系，达到高准确率的分类，

又能满足用户日常需求。

本文主要研究了三维模型特征的提取、基于超图神经网络的三维模型分类方

法、以及如何使用启发式算法优化神经网络。融合改进的多尺度视图特征和形状

特征来优化视图的特征表达，在超图神经网络中引入多层次概念来优化多视图的

聚合过程，进一步提升了三维模型分类的准确率。本文主要的研究内容如下：

第一，研究了二维视图特征提取的原理，在单一尺度特征的基础上，提出了

多尺度特征的提取。

第二，深入探讨了二维视图中形状分布特征，并在此基础上提出了改进的形

状分布特征KD1、KD2和KD3。将二维视图的多尺度视图特征与形状分布特征进

行加权融合，提出了一种综合的二维视图特征表示方法。

第三，提出了多层次超图神经网络，对超图神经网络进行改进，增加了局部

超图卷积、非局部消息传递和超图下采样层。使用优化后的多层次超图神经网络

对多视图特征进行融合，最大程度上保留了视图与视图之间的关系。

第四，利用鲸鱼算法优化超图神经网络，使超图神经网络的分类准确率有所

提升。

实验结果表明：相对于传统的特征融合算法与超图神经网络，本文提出的多

层次超图神经网络和多特征融合的方法能在一定程度上提高分类准确率。

关键词深度学习；三维模型分类；视图特征；神经网络；形状特征

-I-

3DModelClassificationBasedOnHyperGraphNeural

NetworkAndMulti-FeatureFusion

Abstract

Inrecentdecades,withthecontinuousdevelopmentofcomputervisionfield,the

problemof3Dmodelclassificationbasedondeeplearninghasattractedmuchattention.

3Dmodelclassificationhasbeenwidelyusedinfieldssuchasmachinery

manufacturing,drugprediction,andautonomousdriving.Comparedwiththemethods

suchaspointcloudandvoxel,themethodsbasedon2Dprojectionviewshaveachieved

remarkableresultsinfieldof3Dmodelclassification.However,mainproblemsfaced

byclassificationmethodsbasedon2Dprojectionviewsarehowtobetterenhancethe

expressionof3Dmodel’sfeaturesandhowtofusemultiple2Dviewfeaturesinto

global3Dshapedescriptor.Hypergraphneuralnetworkscanbettercapturecomplex

relationshipsinactualdata,andtheycan