面向非欧氏三维模型识别的优化隐层拓扑结构的几何深度学习方法研究

Non-Euclidean 3D shape recognition is widely used in many fields, such as augmented reality/virtual reality, human-computer interaction and remote sensing mapping. Using geometric deep learning to analyze the hidden geometric structures and relationships of 3D shape is of great significance to the study of high-precision 3D shape recognition. But geometric deep network’s application in Non-Euclidean 3D shape recognition is seriously restricted because of its indigestion hidden-layer information presentation and complex batch processing. Therefore, this project proposes a geometric deep network with the optimized hidden layer topology to establish a high-precision recognition method for Non-Euclidean 3D shape. The main research contents include: the unsupervised clustering, Gaussian hybrid model and multi-resolution pooling are respectively utilized to optimize the hidden layer topology of deep network and obtain multi-scale hidden layer information, so as to improve geometric deep network’s generalization ability in feature extraction related to non-Euclidean data, such as disordered 3D point cloud and irregular triangular mesh. The network convergence speed is improved based on unsupervised pre-training method used to initialize network parameters. The online geometric deep network with adaptive adjustment model capacity used to extract Non-Euclidean data features is established based on data-driven and Hedge Backpropagation. The successful implementation of this project will play a positive role in promoting the development of 3D shape recognition.

非欧氏三维模型识别在增强现实/虚拟现实、人机交互以及遥感测绘等领域应用广泛。利用几何深度学习分析其隐藏的几何结构与关系，对研究高精度三维模型识别有重要意义。但由于隐层信息难以理解以及批量训练复杂度较高等问题，严重制约了几何深度学习在非欧氏三维模型识别方面的应用。因此，本项目提出隐层拓扑结构优化的几何深度网络，以建立面向非欧氏三维模型的高精度识别方法。主要研究内容包括：利用无监督聚类、高斯混合模型以及多分辨率池化，来优化深度网络的隐层拓扑结构以获取多尺度隐层信息、提高深度网络对非欧氏数据，比如无序三维点云以及不规则三角网格的特征提取能力；利用无监督预训练初始化网络参数的分层预训练深度网络，以加快网络收敛速度；利用数据驱动与对冲反向传播方法，建立能直接提取非欧氏数据特征的自适应调整模型容量的在线几何深度网络。本项目的成功实施将为三维模型识别的发展产生积极的推动作用。

非欧氏三维模型识别在人机交互、遥感测绘以及增强现实/虚拟现实等领域应用广泛。利用几何深度学习分析其隐藏的几何结构与关系，对研究高精度三维模型识别有重要意义。但由于隐层信息难以理解以及批量训练复杂度较高等问题，严重制约了几何深度学习在非欧氏三维模型识别方面的应用。因此，本项目提出隐层拓扑结构优化的几何深度网络，以建立面向非欧氏三维模型的高精度识别方法。主要研究内容包括：利用无监督聚类、高斯混合模型以及多分辨率池化，来优化深度网络的隐层拓扑结构以获取多尺度隐层信息、提高深度网络对非欧氏数据，比如无序三维点云以及不规则三角网格的特征提取能力；利用无监督预训练初始化网络参数的分层预训练深度网络，以加快网络收敛速度；利用数据驱动与对冲反向传播方法，建立能直接提取非欧氏数据特征的自适应调整模型容量的在线几何深度网络。其中三维模型的输入顺序对几何深度学习效果尤为重要，比如三维点云的无序性以及三角网格的不规则性，容易导致其特征学习过程不稳定。针对无序三维点云与不规则三角网格的高层次特征提取问题，本项目建立了优化隐层拓扑结构的PointNet++以及AGCNs 用于三维模型识别。并且深度网络的隐层信息以及参数随样本增加而增加，当网络深度增大时，微调对网络的权值调整能力有限，导致多隐层的信息更新速度变慢。此外，在输入样本分布未知时，就预先确定模型的容量，利用静态模型来处理动态数据流的方法并不合适。针对多隐层信息更新慢以及在线模型容量难以确定的问题，本项目通过加速隐层信息的传递效率并设计合理的在线深度学习框架，建立了具有局部自适应调整模型容量的几何深度学习方法，并且通过引入量子神经网络对不同的公开数据集进行分析。