判断深度学习模型的稳定性_基于深度学习的三维模型检索算法研究

三维模型检索github项目地址​github.com

大量的实验和比赛都证明了深度学习在图像检索中的效果很好，本文也将利用神经网络，研究刚体三维模型检索算法，并借助实验结果，来说明本文提出的网络模型有效性和模型检索准确性。考虑到视图特征的有效性，本文采用通过提取视图特征，并利用深度学习训练网络。下面是本文主要介绍的两个检索算法：

（1）基于三视图加权的三维模型检索算法。

（2）基于多视图的三维模型检索算法。

1. 基于三视图加权的卷积神经网络。针对视图特征的提取，本章通过体素化模型来得到深层的三视图特征，并针对三视图特征的表达能力不同，通过视图加权使模型的检索率得到明显的上升。采用ModelNet10的标准集测试，该网络在迭代1000次之后，损失函数基本收敛。在训练集维持97.51％的识别率，测试集的识别率达到91.72％。
2. 基于多视图的卷积神经网络。考虑到二维图像的深度学习算法更加成熟和稳定，因此从三维模型渲染后，通过摆放不同方位地虚拟摄像机来得到多角度图像出发，并通过ViewPooling聚合使多视图融合，得到新特征向量，再通过深度学习进行构建本章的神经网络。采用ModelNet10的标准集测试，该网络迭代到1900次左右，损失函数基本收敛。在训练集达到98.89％的识别率，测试集达到92.75％的识别率。