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：
    $H_t(p_1,p_2)={\sum }_{i=0}^{\infty }(-{\lambda }_i^{{}^{\prime }}t){\varphi }_i(p_1){\varphi }_i(p_2)$
其中$p_1$和$p_2$为图上的两个顶点，t为给定的时间，${\lambda }_i^{{}^{\prime }}$和${\varphi }_i$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：
      $\frac{\partial H_t}{\partial t}=-L{H}_t$
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：
      $HKS(p)=(H_{t_1}(p,p),H_{t_2}(p,p),...,H_{t_n}(p,p))$
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）：
      $S=\frac{1}{n}{\sum }_{i=1}^n(x_i-\mu )(x_i-\mu {)}^T$
其中S为训练集的协方差矩阵，$\mu$为训练集的均值。求特征值方程：
      $S{v}_i={\lambda }_i{v}_i,$     i=1,2,…,n
其中$v_i$为第i个Eigen模型描述符。
   Fisher模型描述符（Fisher-shape descriptor）:
      $S_B={\sum }_{i=1}^c{N}_i({\mu }_i-\mu )({\mu }_i-\mu {)}^T$
其中$S_B$是反映不同类之间利润的散点矩阵，${\mu }_i$为第i类的均值，μ为总均值。
     $S_W={\sum }_{i=1}^c{\sum }_{x_j\in X_i}(x_j-{\mu }_i)(x_j-{\mu }_i{)}^T$
其中$S_W$为反映同类中相似度的散点矩阵，${\mu }_i$为第i类的平均值。
求特征值方程：
     $S_B{v}_i={\lambda }_i{S}_W{v}_i$
其中$v_i$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

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。