基于卷积神经网络的高效三维模型检索方法

目前基于视图的三维模型检索已经成为一个研究热点.该方法首先将三维模型表示为二维视图的集合,然后采用深度学习技术进行分类和检索.但是现有的方法在精度和效率方面都有待提升.本文提出了一种新的三维模型检索方法,该方法包括索引建立和模型检索.在索引建立阶段,选择代表性视图输入到训练好的卷积神经网络(Convolutional Neural Network,CNN)中以提取特征和分类,进而根据特征类别对特征进行组织以建立索引在检索阶段,使用CNN和投票算法将输入模型的代表性视图分类为一个类别,然后仅选择这个类别的特征而不是所有类别的特征进行相似度匹配,因此减少了搜索空间.此外,随着用于检索的视图数量的逐渐增加,一旦可以确定三维模型,检索过程将提前终止.实验的数据选用刚性三维模型数据集ModelNet10,ModelNet40和非刚性三维模型数据集McGill10.结果表明,该方法在提升检索效率的同时,确保检索准确率分别高达94％、92％和100％.