公开(公告)号：CN110275976A

公开(公告)日：2019-09-24

申请号：CN201910564343.3

申请日：2019-06-27

Applicant: 哈尔滨理工大学

Inventor： 高雪瑶 ,  李宣亭 ,  张春祥 ,  赵凌云

IPC: G06F16/583

Abstract: 本发明涉及一种基于几何形状和结构特征的三维模型检索方法。本发明提取源模型和目标模型的点、边和邻接关系信息。根据面的边数，计算源模型面和目标模型面之间的形状相似性，构建源模型和目标模型的面形状相似性矩阵。根据三维模型的面邻接关系，计算源模型面和目标模型面之间的结构相似性，构建源模型和目标模型之间的面结构相似性矩阵。以源模型和目标模型之间的面形状相似性矩阵和面结构相似性矩阵为基础，使用A*算法寻找二者之间的最优面匹配对序列，计算两个模型之间的整体相似性。本发明在三维模型检索方面实现了很好的效果，能很好地区分三维模型之间的形状结构差异。

公开(公告)号：CN110119772B

公开(公告)日：2022-05-03

申请号：CN201910370061.X

申请日：2019-05-06

Applicant: 哈尔滨理工大学

Inventor： 高雪瑶 ,  李宣亭 ,  张春祥 ,  赵凌云

IPC: G06K9/62

Abstract: 本发明涉及一种基于几何形状特征融合的三维模型分类方法。本发明对三维模型进行“三角面化”，计算其D1、D2、随机球型和SDF形状分布特征。将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将训练集中的D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用训练集中的三维模型的全局特征和类别标签，训练LightGBM分类器的权重。获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。本发明在三维模型分类方面实现了很好的效果，能很好地对三维模型进行分类预测。

公开(公告)号：CN110119772A

公开(公告)日：2019-08-13

申请号：CN201910370061.X

申请日：2019-05-06

Applicant: 哈尔滨理工大学

Inventor： 高雪瑶 ,  李宣亭 ,  张春祥 ,  赵凌云

IPC: G06K9/62

Abstract: 本发明涉及一种基于几何形状特征融合的三维模型分类方法。本发明对三维模型进行“三角面化”，计算其D1、D2、随机球型和SDF形状分布特征。将卷积神经网络作为降噪自编码器的编码器部分，其镜像结构作为解码器。将训练集中的D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入和输出，训练降噪自编码器。将D1、D2、随机球型和SDF形状分布特征拼接在一起作为输入，利用卷积神经网络(降噪自编码器的编码器部分)获取三维模型的融合的全局特征。利用训练集中的三维模型的全局特征和类别标签，训练LightGBM分类器的权重。获取三维模型的4种形状分布特征，并利用训练好的卷积神经网络和LightGBM分类器对三维模型进行分类。本发明在三维模型分类方面实现了很好的效果，能很好地对三维模型进行分类预测。