典型文献
无监督孪生函数映射网络的模型对应关系计算
文献摘要：
针对构建非刚性形变三维模型间对应关系时特征描述符信息涵盖不全面、映射矩阵优化不理想的问题,提出了利用无监督孪生深度函数映射网络计算对应关系的新方法.首先,将源模型和目标模型输入到无监督孪生深度函数映射网络中学习原始三维几何特征,并将学习到的特征分别投影至各自拉普拉斯-贝尔特拉米特征基上获得相应的谱特征描述符;然后,将谱特征描述符输入至正则化函数映射层计算出鲁棒性更强的函数映射对应关系,进而获得最优的函数映射矩阵;再次,利用无监督学习方法计算倒角距离来构建无监督损失函数,以此度量模型间相似性,评估对应关系的计算结果;最后,基于迭代频谱上采样的ZoomOut算法将函数映射矩阵恢复成点到点对应关系.定性和定量的实验结果表明,在SURREAL数据集和TOSCA数据集上构建的模型间对应关系分布均匀一致,测地误差均有所减小.本算法不仅降低了算法的时间复杂度,而且在一定程度上提高了对应关系的计算准确率.此外,无监督孪生深度函数映射网络在不同数据集上泛化能力和可扩展性大大增强.
文献关键词：
机器视觉;模型对应关系;孪生深度函数映射;无监督损失函数;倒角距离
中图分类号：
作者姓名：
杨军;王幸幸;芦有鹏
作者机构：
兰州交通大学测绘与地理信息学院,甘肃兰州730070;兰州交通大学电子与信息工程学院,甘肃兰州730070;兰州交通大学交通运输学院,甘肃兰州730070
文献出处：
引用格式：
[1]杨军;王幸幸;芦有鹏-.无监督孪生函数映射网络的模型对应关系计算)[J].西安电子科技大学学报（自然科学版）,2022(01):225-235
A类：
模型对应关系,孪生深度函数映射,深度函数映射,ZoomOut,SURREAL
B类：
非刚性形变,特征描述符,目标模型,模型输入,几何特征,拉普拉斯,贝尔特,特拉,拉米,米特,特征基,谱特征,至正,正则化,无监督学习,倒角距离,无监督损失函数,度量模型,上采样,矩阵恢复,点到点,定性和定量,TOSCA,测地,时间复杂度,泛化能力,可扩展性,机器视觉
AB值：
0.230414
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
