面向三维模型检索的主动式复结构图学习方法研究

3D model partial retrieval has been the indispensable tool in model reuse, thanks to its strong ability of analysis and discrimination. This project is focused on partial retrieval techniques, including the following two aspects. . The first one is a novel approach for robust feature matching which is essential for 3D model partial retrieval. Firstly, 3D model with boundary representation(B-rep) is embed in a voxel grid, and a novel feature matching approach is proposed by extending SIFT from 2D to 3D. Secondly, A model simplification algorithm is proposed based on sparse representation, and then an adaptive method is used for voxelization of B-rep model so as to reduce the time and memory costs. Thirdly, with the help of manifold learning, feature vector matching is deformation invariant.. In the second part, we present a new machine learning method for 3D model retrieval, i.e. active 2-tier graph learning. Firstly, based on manifold learning, the similarity between two models is better measured at the semantic level. Secondly the similarity between 3D models is analyzed with respect to shape and semantics. Naturally a 2-tier graph learning method is introduced as the general representative model. Thirdly, according to the semantic information obtained by structural analysis, the node with absence of label can be detected, so that the active graph learning method is developed.. The project is particularly interested in the interaction between machine learning and 3D model retrieval. Since the project solves fundamental problems of model retrieval by using the ideas of machine learning, that also enriches machine learning theory by improving the original algorithms. Recent developments in information retrieval has demonstrated that this project is of great significance in 3D model retrieval.

三维模型局部检索方法因其强大的分析能力和区别能力，成为模型重用的重要工具。本项目包括两大部分，第一部分研究方向无关、形变无关的特征匹配方法，该方法在局部检索中不可缺少。不同于传统的曲面SIFT，本研究将三维模型嵌入到体网格中，通过SIFT的三维推广，提出了完整的匹配方法。借助稀疏表达进行模型简化，并对简化模型进行自适应体素化以降低时空消耗，基于流形学习完成形变无关匹配。第二部分面向三维模型检索提出一新型机器学习方法。借助特征匹配完成语义流形构造，进而提出复结构图学习方法，作为多语义检索的统一表示模型。通过特征匹配和组件分析获取语义知识，借助领域知识构建标记缺失区域检测算法，从而获得主动图学习方法。本项目着眼于机器学习与三维模型检索的深度交叉，借助机器学习解决模型检索问题，在解决问题的同时，又丰富了机器学习理论，纵观信息检索相关领域可知，本研究顺应了学科发展趋势。

随着3D模型的采集和呈现方法的改进，从图形和视觉社区的大型库中检索3D模型的需要已经越来越突出，相关检索方法的研究受到了越来越多的关注。项目针对模型的预处理、特征表示、匹配检索的方法以及相关优化技术展开研究。提出了三维模型检索的主动式图学习方法。以三维模型侧影轮廓的概率密度分布作为三维模型相似度度量，借助图学习模型完成三维模型的流形构建和检索，并利用主动学习原理增加模型的适用范围，提高检索准确率。提出了三维模型检索的K-P-modes方法。借助RBF对各属性的权重进行修正，利用PSO粒子群算法解决了局部最优问题，为借助语义信息检索提供了有效的方法。提出了基于概念分解的半监督特征学习方法。借助概念分解的相关原理，构造了将半监督聚类中的对约束张成为一类约束的框架。该方法利用有监督信息指导聚类过程，把对约束奖惩项引入概念分解框架中。由于属于同一类的数据点对在新的表示空间有不同的强度，因此在为每个对约束添加惩罚时，依据其重要性的大小添加相应权重，更好地解释了类内方差，因而得到了更易于聚类的低维特征。同时给出了求解局部最优解的迭代更新策略，并证明了该迭代更新策略收敛。进一步考虑数据局部几何结构的一致性，构造了相应的目标函数，分析了收敛性和收敛速度，从而提出了考虑局部特征的概念分解半监督特征学习方法，取得了较好的聚类性能。针对极限学习隐层节点的数目敏感，提出了自适应的极限学习方法，该方法适用于基础分类，具有效率高、实现容易等特点。提出了结合混洗蛙跳思想的布谷鸟混合优化算法，利用混合蛙跳算法的框架，提出了考虑全局优化信息和小概率遗传突变蛙群交换信息的改进蛙跳算子，构造了结合L'evy飞行和蛙跳运算符的布谷鸟模型，在不降低方法的优化能力的前提下，显著提高了算法的收敛速度。