DeepSD论文笔记

说明:
1.此乃本人阅读论文过程中所记录的笔记,由于本人水平有限,难免会出现遗漏重点或表述不清等问题,请各位见谅。同时希望各位指出我的问题,让我发现问题所在,谢谢大家Thanks♪(・ω・)ノ。
2.有些用词根据原文翻译(或是直接用原文),可能语句不通畅。(毕竟我是一个六级考了五次的憨憨)
3.数据处理部分和结论分析部分没有加入,此处主要为了理清文章描述方法的处理流程。


论文题目:3D Deep Shape Descriptor

1.重要概念介绍
   三维特征描述符(3D shape signatures):用于描述三维曲面上的一个点的局部几何信息。
   三维模型描述符(3D shape descriptors):用于表示三维模型的整体表达。
   热核特征描述符(Heat kernel signature):给定图G=(V,E,W),其中V为顶点的集合,E为边的集合,W为每条边的权重的集合。物体表面的热量由以下热核公式近似:
    H t ( p 1 , p 2 ) = ∑ i = 0 ∞ ( − λ i ′ t ) ϕ i ( p 1 ) ϕ i ( p 2 ) H_t(p_{1},p_{2})=\sum_{i=0}^{\infty}(-\lambda_i^{'}t)\phi_i(p_1)\phi_i(p_2) Ht(p1,p2)=i=0(λit)ϕi(p1)ϕi(p2)
其中 p 1 p_1 p1 p 2 p_2 p2为图上的两个顶点,t为给定的时间, λ i ′ \lambda_i^{'} λi ϕ i \phi_i ϕi为由Laplace-Beltrami算子得到的第i个特征值和对应的第i个特征向量。
   热核满足以下偏微分方程:
      ∂ H t ∂ t = − L H t \frac{\partial H_t}{\partial t}=-LH_t tHt=LHt
其中L表示Laplace-Beltrami算子,t表示热量的扩散时间。
那么点p处的热核描述符由以下公式给出:
      H K S ( p ) = ( H t 1 ( p , p ) , H t 2 ( p , p ) , . . . , H t n ( p , p ) ) HKS(p)=(H_{t_1}(p,p),H_{t_2}(p,p),...,H_{t_n}(p,p)) HKS(p)=(Ht1(p,p),Ht2(p,p),...,Htn(p,p))
此处根据热量扩散时间进行n次采样。、
  热模型描述符(Heat shape descriptor):在各个规模下所有顶点处的HKS的概率分布。HeatSD具有等距变换不变性。
  Eigen模型描述符(Eigen-shape descriptor):
      S = 1 n ∑ i = 1 n ( x i − μ ) ( x i − μ ) T S=\frac{1}{n}\sum_{i=1}^n(x_i-\mu)(x_i-\mu)^T S=n1i=1n(xiμ)(xiμ)T
其中S为训练集的协方差矩阵, μ \mu μ为训练集的均值。求特征值方程:
      S v i = λ i v i , Sv_i=\lambda_iv_i, Svi=λivi,     i=1,2,…,n
其中 v i v_i vi为第i个Eigen模型描述符。
   Fisher模型描述符(Fisher-shape descriptor):
      S B = ∑ i = 1 c N i ( μ i − μ ) ( μ i − μ ) T S_B=\sum_{i=1}^cN_i(\mu_i-\mu)(\mu_i-\mu)^T SB=i=1cNi(μiμ)(μiμ)T
其中 S B S_B SB是反映不同类之间利润的散点矩阵, μ i \mu_i μi为第i类的均值,μ为总均值。
      S W = ∑ i = 1 c ∑ x j ∈ X i ( x j − μ i ) ( x j − μ i ) T S_W=\sum_{i=1}^c\sum_{x_j\in X_i}(x_j-\mu_i)(x_j-\mu_i)^T SW=i=1cxjXi(xjμi)(xjμi)T
其中 S W S_W SW为反映同类中相似度的散点矩阵, μ i \mu_i μi为第i类的平均值。
求特征值方程:
      S B v i = λ i S W v i S_Bv_i=\lambda_iS_Wv_i SBvi=λiSWvi
其中 v i v_i vi为第i个Fisher模型描述符。

2.解决的问题
  将三维模型转换为二维投影图像时,无法用简洁的方式表示三维模型,没有抓住三维模型潜在的几何信息以及一些具有辨识度的信息,如颜色、纹理、外形等。

3.处理方法主要步骤
在这里插入图片描述
上图展示了整个流程的处理顺序,主要分为以下四步:
1) 输入三维模型数据库,包含训练集和测试集。
2) 对数据库中的每个三维模型提取热核特征描述符(HKS),然后根据热核特征描述符计算得到热模型描述符(HeatSD)。
3) 将得到的热模型描述符分别输入两个深度神经网络,利用主成分分析(PCA)得到Eigen特征描述符(ESD),利用线性判别分析(LDA)得到Fisher特征描述符(FSD)。
4) 分别用ESD和FSD作为目标值,训练两个编码器,从隐藏层中提取深度模型描述符(Deep Shape Descriptor,DeepSD)。

4.优点
1)训练得到的深度模型描述符,极大化类间差异以及极小化类内差异,有着较高的辨识度,提高了分类和检索的准确度。
2)深度模型描述符对三维模型上的数字噪声有较好的抵抗作用。
3)对不完整的三维模型仍然有较好的检索效果。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值