基于学习的三维模型结构分析与在线检索问题研究

With the rapid development of 3D printing, as well as some new theory of signal processing and machine learning proposed, the traditional three-dimensional model processing has brought out a new vitality. Especially, methods based on compressed sensing and subspace learning, have become a popular research topic, and there are a number of issues need study. In this project, we will focus on the structural analysis and retrieval problems of 3d model, and make research respectively on saliency detection, semantic segmentation and online retrieval. The main contribution include: 1)research of global adaptive saliency detection algorithm based on the learning of absorbing markov random chain, which is global adaptive and robust; 2)study the semantic co-segmentation based on semi-supervised low rank presentation learning, which is more robust by making full use of the semantic transfer between models; 3)propose a novel online retrieval algorithm based on the incremental low rank representation learning, which avoid the complex repeating learning process.

随着三维打印技术的快速崛起，以及信号处理、机器学习领域一批新理论的发展，传统三维模型处理又焕发出了新的生命力，尤其是基于压缩感知和子空间学习理论的三维几何数据处理成为当前一个研究热点，尚有大量问题亟需研究。因此，本项目拟以子空间学习方法为研究工具，重点围绕三维几何网格模型的结构分析和检索问题，分别从三维模型的显著性检测、联合语义分割以及在线检索三个方向展开研究，建立基于学习的三维网格模型分析处理方法。主要研究内容包括：1)研究建立基于吸收态马尔科夫模型学习的全局自适应的网格显著性检测算法，有效增强检测结果的整体性和鲁棒性；2)研究基于半监督低秩学习的三维模型联合语义分割方法，充分利用模型间的语义传递性，结合半监督约束增强语义分割的鲁棒性；3)研究建立基于增量低秩学习的三维模型在线检索算法，该方法仅需要在数据库上进行一次学习，有效克服了传统方法繁杂的重复学习过程。

项目执行期间，项目组主要围绕基于子空间机器学习的三维模型分析与检索问题开展了深入研究，分别研究提出了基于马尔科夫游走模型的显著性检测方法、基于稀疏表示以及低秩表示学习的三维模型分割方法及基于增量低秩表示的在线快速检索算法。本项目执行期间，项目组成员团结协作，取得了一系列的研究成果，在IEEE Transactions on visualization and computer graphics(TVCG), IEEE Transactions on Image Processing(TIP), Computers & Graphics以及自动化学报等重要学术期刊发表学术论文18篇，其中SCI检索13篇（CCF A类推荐期刊5篇，CCF B/C类推荐期刊4篇），申请发明专利2项。通过本项目的资助参加本领域国际及国内高水平学术会议12人次，资助项目组成员到英国Cardiff大学进行了2次短期访问交流。联合培养博士研究生2名，硕士研究生3名。