语义驱动的几何模型一般性特征分析与应用研究

Feature analysis and detection are the core problems in the processing of geometric data. And semantics driven processing of geometric models become novelized, diversified, intelligent, etc. To meet the need as stated above, this project will focus on the research on semantics driven general feature analysis, detection on geometric models and applications. Firstly, as current feature representation lack flexibility and semantic correlation, we propose to build a general feature space on geometric models. This will be realized by introducing definition of the general feature together with multi-level and multi-scale description methods. And this will help input the direct semantic information of users and build the link between the local analysis (and decomposition) and global analysis (and integration) of geometric models. Then, in face with the problems in manual annotation and lack of benchmark of 3D geometric models，we will propose feature analysis and detection methods based on small data sample. By constructing problem-driven manifold structure and prior-guided adaptive Partial Differential Equation system, the feature analysis problem will be converted to the guided diffusion on problem-driven manifold. And we can realized the feature analysis and detection via this kind of manifold learning process. Finally, by combining the above two parts of key techniques, we propose to set up a fundamental framework on semantics driven general feature analysis to realize and generalize current geometric model processing and empower other semantics driven applications.

特征的分析与提取在几何数据处理问题中是核心所在，而近年来语义驱动的几何模型处理与应用展现出创新化、多样化和智能化等特点。为满足上述需求，本项目拟重点研究几何模型上语义驱动的一般性特征的分析、提取与应用。首先，针对几何模型特征表示缺乏灵活性、语义相关性等问题，拟建立几何模型的一般性特征空间，通过提出一般性特征的定义和多层次多尺度描述方式，输入用户的直接语义信息并建立连接模型局部分析、分解与全局分析、整合的一般性特征表示。然后，针对几何模型人工标注困难、三维标准库少等问题，提出基于小数据样本的特征分析与提取方法，通过建立问题驱动的流形结构以及先验引导的具有适应性的偏微分方程系统，将特征分析问题转化为流形上的扩散引导问题，通过此种度量学习过程实现特征分析与提取。最后，通过将上述两部分技术相结合，建立语义驱动的一般性特征识别框架，以此拓展几何模型的相关处理并推动其他语义驱动的相关应用。

本项目围绕几何模型上语义驱动的一般性特征分析、提取与应用核心目标展开相关研究。首先，在特征定义与描述方面，提出简单、灵活的一般性特征定义方式，拓展了原有几何特征形式的范畴，提出利用图谱小波、具有几何属性的热扩散场等理论建立特征空间，为后续模型处理与应用提供理论基础保障。其次，为实现基于小样本的模型特征识别，研究并实现多种度量空间学习方法，其中最为主要的方式是将特征识别转为流形上的扩散引导问题，通过求解具有适应性的偏微分方程系统得到最优识别结果。最后，通过将上述两部分技术进行结合，提出建立一般性特征识别框架性方法，并以此为基础实现一系列拓展化的模型处理与应用，如人类兴趣特征检测、模型性别识别、多模型联合分析等。本项目共完成学术论文8篇（7篇已发表，1篇接收待发表），其中：期刊论文8篇，第一作者论文5篇，SCI检索论文4篇，EI检索论文4篇。期间共培养硕士研究生10名，其中毕业2名，现有8名在读研究生。