基于多视角卷积神经网络的三维模型分类方法.docx

基于多视角卷积神经网络的三维模型分类方法
摘要
本文针对三维模型分类问题，提出了一种基于多视角卷积神经网络（MVCNN）的分类方法。首先，将三维模型从不同视角转化为二维图片。然后，使用MVCNN网络对这些图片进行训练，最终得到分类结果。实验结果表明，本文方法具有较高的分类准确性和较快的分类速度。
关键词：三维模型，分类，卷积神经网络，多视角
引言
随着三维模型的广泛应用，对三维模型的分类和识别问题越来越受到关注。三维模型分类是指将三维模型分为不同的类别，其应用于计算机视觉、虚拟现实、游戏开发等领域。三维模型分类的关键问题是如何表示三维模型的特征以便于分类。
传统的三维模型分类方法基于手工设计的特征表示，如形状描述符、统计特征等，这些方法需要大量的人力和时间来选择特征和优化参数。而卷积神经网络（CNN）则可以自动学习特征，因此在目标识别和分类任务中具有很大的潜力。在二维图片分类问题上，CNN已经取得了很好的效果，然而在三维模型分类问题上，CNN的效果仍有待提高。
近年来，一些基于深度学习的三维模型分类方法得到了很好的应用。其中，基于多视角卷积神经网络（MVCNN）的方法是一种常用的方法。MVCNN方法将三维模型从不同的视角下投影为多个二维图片，然后将这些图片同时输入到卷积神经网络中，最终汇总分类结果。这些图片可以提供更多的信息，从而提高分类的准确性。MVCNN方法在三维模型分类问题上取得了很好的效果，本文也将使用MVCNN方法进行三维模型分类。
本文结构如下：第二部分介绍相关工作，第三部分介绍本文方法，第四部分是实验结果，第五部分是实验分析，最后是总结和展望。
相关工作
传统的三维模型分类方法主要基于手工设计的特征表示，如形状描述符、统计特征等。这些方法需要大量的人力和时间来选择特征和优化参数。而卷积神经网络（CNN）则可以自动学习特征，因此在目标识别和分类任务中具有很大的潜力。
MVCNN方法是一种用于三维模型分类的深度学习方法，该方法通过将三维模型从不同的视角投影为多个二维图片，然后将这些图片同时输入到卷积神经网络中来提高分类的准确性。Shui等人提出了MVCNN方法[1]，并将该方法应用于多个三维模型分类数据集，取得了很好的分类结果。
Lai等人提出了一种基于深度学习的三维形状描述符方法（DeepShape）[2]。该方法首先将一组三维形状表示为一组网格表示，并将其转化为一组2D图像。然后使用CNN自动学习特征，最后使用支持向量机（SVM）进行分类。这种方法可以有效地解决传统三维形状描述符的问题，从而提高了分类准确性。
本文方法
本文提出了一种基于MVCNN的三维模型分类方法。该方法将三维模型从不同的视角下投影为多个二维图片，然后将这些图片同时输入到卷积神经网络中进行分类。本文使用了VGG16[3]网络作为基础网络，其具有较强的特征提取能力。本文方法的框架如图1所示。
图1MVCNN方法框架
图1中，每个三维模型从不同的视角下投影为了12个图片。然后将这些图片输入到VGG16网络中，最后汇总分类结果。下面将详细介绍本文方法的实现。
三维模型的预处理
首先，需要对三维模型进行预处理。预处理过程如下：
1.将三维模型应用到球体上，并将其归一化到[-1,1]的立方体中。
2.将立方体划分为m×n×o个体素，计算每个体素内是否有点。如果一个体素内至少有一个点，则将其标记为“1”，否则标记为“0”。
3.对每个标有“1”的体素沿着某个方向确定相机位置，同时确定相机视角的方向。
4.将相机对每个三维模型拍摄图像并缩放为224×224大小的灰度图像。
该方法可以产生12张2D图像，从不同方向观察3D模型并生成对应的2D图像，图片的大小为（224，224）。
网络模型
本文采用了改进的VGG16网络作为基本网络结构。由于我们产生12个2D图像，需要对这些图像采用特殊的方法进行网络设计。首先，每个2D图像先经过与VGG16相同的前13个卷积层，然后将每个卷积层的输出进行平均。该方法可以生成与原始VGG16网络结构相似的网络模型。该网络的具体结构如图2所示。
图2网络模型
在图2中，每个2D图像先经过与VGG16相同的前13个卷积层，然后进行平均。然后将这些输出输入到连接层进行分类，最后输出预测结果。
训练和测试
训练模型时，使用交叉熵损失函数最小化训练误差。本文采用Adam优化算法，学习率设为0.0001。在训练过程中，随机选择一组2D图像，然后输入到网络中进行训练。在测试过程中，将一组2D图像输入到网络中，然后输出预测结果。
实验结果
本文采用了两个公开数据集进行实验：ModelNet10[1]和ModelNet40[4]。这些数据集包含了一系列从不同角度拍摄的3D模型图像。本文将这些图像分为训练集和测试集，其中训练集占80％，测试集占2