基于深度卷积神经网络的三维模型识别

摘要：

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法.将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测.实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85％左右.与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快.提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作.

关键词：卷积神经网络、占用网格、体素化、随机梯度下降、旋转增强

所属期刊栏目：31

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61462059

在线出版日期：2019-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：253-260