典型文献
混合式监督学习的三维模型对应关系计算
文献摘要：
针对近似等距非刚性三维模型的对应关系计算易受模型拓扑结构改变而导致准确率下降的问题,提出一种采用混合监督深度函数映射网络计算对应关系的新方法.首先,在弱监督特征提取模块中将三维点云源模型与目标模型通过弱监督学习进行近似刚性对齐,并直接学习原始的三维几何特征,在获取更具鉴别力特征的同时,解决模型自身对称性影响对应关系准确率的问题;其次,在无监督函数映射模块中将提取到的特征转换为谱描述符以得到函数映射矩阵,并对该矩阵施加加权正则化约束项进而得到最优的函数映射矩阵,在解决函数映射矩阵约束性不足问题的同时,减少算法对带标签数据的依赖,降低算法的人工成本;最后,在后处理模块中采用ZoomOut算法将最优函数映射矩阵恢复至精确的逐点映射.实验结果表明,该算法在公开的FAUST数据集、SCAPE数据集和SURREAL数据集上所构建的三维模型对应关系测地误差均小于目前的主流方法,对应关系结果更加准确,纹理映射结果更加平滑,且具有良好的泛化能力.
文献关键词：
对应关系;弱监督;无监督;混合监督;深度函数映射
中图分类号：
作者姓名：
杨军;李金泰
作者机构：
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 测绘与地理信息学院,甘肃 兰州730070
文献出处：
引用格式：
[1]杨军;李金泰-.混合式监督学习的三维模型对应关系计算)[J].西安电子科技大学学报（自然科学版）,2022(04):201-212
A类：
模型对应关系,深度函数映射,ZoomOut,FAUST,SURREAL
B类：
等距,拓扑结构,混合监督,取模,三维点云,目标模型,弱监督学习,对齐,几何特征,鉴别力,无监督,取到,特征转换,描述符,加加,正则化约束,约束项,约束性,不足问题,少算,标签数据,人工成本,矩阵恢复,逐点,SCAPE,测地,主流方法,纹理映射,泛化能力
AB值：
0.306078
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。
