三维形状分割和标注的快速学习方法

212
2017， 53 （11）
Computer Engineering and Applications 计算机工程与应用
有监督形状分割通常形式化为一个分类问题。给 定一个包含根据部件类别标注过的点、 面片或超面片的 形状集， 分类器的目标就是识别来自不同形状的其他 点， 面或块的部件类别。有监督形状分割的执行分为两 个步骤： 第一步， 从训练数据中学习分类器的参数。第 二步， 将分类器应用到新形状上。Kaikogerakis 等人 提
6-9] 监督分割 [1， ， 无监督分割 [10-11] 和半监督分割 [12-13]。一般
一代数字媒体类型已在数字城市、 影视动画、 医学设计、 艺术设计和工业设计等诸多领域得到了广泛应用， 可共 享的数字几何模型数量更是在以指数方式快速地增长 着。目前， 数字几何处理技术 正朝着探索几何形体构 造及其过程的内在规律， 并将其提升到几何理解和语义 化生成方向发展， 而形状分割则是探索数字几何模型内 在规律的基础与前提， 其目标是将数字几何模型划分为 有意义的部件并揭示模型的内在构成规律， 从而成为语 义化数字几何处理领域的热点和难点研究课题之一。 形状分割还可以进一步辅助进行形状的参数化、 纹理映 射、 匹配、 形变、 编辑、 压缩、 水印嵌入 以及创意性建
Computer Engineering and Applications 计算机工程与应用
2017， 53 （11）
211
三维形状分割和标注的快速学习方法
李红岩
LI Hongyan
1. 南京信息职业技术学院 计算机与软件学院， 南京 210023 2. 南京大学 计算机科学与技术系， 南京 210023 1.Institute of Computer and Software, Nanjing College of Information Technology, Nanjing 210023, China 2.Department of Computer Science and Technology, Nanjing University, Nanjing 210023, China LI Hongyan. Fast learning method for 3D shape segmentation and labeling. Computer Engineering and Applications, 2017, 53 （11） ： 211-216. Abstract: Data- driven supervised co- segmentation can achieve more accurate segmentation and labeling requirements based on prior knowledge. However, most of supervised methods are extremely time-consuming and difficult to scale up to large data set. The fast 3D shape segmentation and labeling learning method via extreme learning machine is provided, which trains facets and edges simultaneously. Based on that, graph-cut is adopted to smooth and optimize the segmentation boundaries. The experimental results show that this method can learn quickly and achieve high segmentation accuracy and visual effect in the process of 3D shape segmentation and labeling. Key words: hyperchaotic; encryption; three-dimensional; mesh model 摘 要： 数据驱动的有监督联合分割可以通过先验知识的学习， 达到更精确的分割与标注要求。然而， 目前的有监
督分割方法大多需要耗费大量的训练时间， 不利于大规模数据集的扩展。为了提高学习效率， 提出一种基于极限学 习机同时对面片和网格边进行训练的快速的三维形状分割和标注方法。进而通过图割优化进行分割边缘的平滑和 优化， 得到最终的标注结果。实验结果表明， 在三维形状的分割和标注过程中， 该方法学习快速， 且可以达到较高的 分割精度和视觉效果。 关键词： 超混沌 ； 加密 ； 三维 ； 网格模型 文献标志码： A 中图分类号： TP391 doi： 10.3778/j.issn.1002-8331.1609-0397
[2] [1]
来讲， 有监督学习方法通过给定的标注数据倾向于输出 与人们期望相接近的结果， 从而获得更高的分割精度。
基金项目： 南京信息职业技术学院科研基金重点项目 （No.YK20140401） ； 国家自然科学基金 （No.61272291， No.61100110， No.61021062） 。 作者简介： 李红岩 （1982—） ， 女， 博士研究生， 讲师， 主要研究领域为图形图像处理， 信息安全， E-mail： lhynju@。 收稿日期： 2016-09-28 修回日期： 2017-01-09 文章编号： 1002-8331 （2017） 11-0211-06
1
引言数字几何模型作为继源自字音频、 图像与视频后的新模[3-4]等应用。 近年来， 研究人员逐步将发展成熟的机器学习技术 引入到三维形状分析研究中， 数据驱动的几何模型的联 合分割方法正越来越受到关注。利用数据驱动的 “信息 传递” 这一核心概念， 可在输入的预先指定或计算的样 本形状和需要分析和处理的目标形状之间建立一种相 关性， 并可将感兴趣的信息从样本形状传递到目标形 状 [5]。因此， 数据驱动的形状分割可产生一致性的具有 语义标注的部件 [6-8]。基于学习中是否具有可用的标签 标注数据作为输入信息， 可将三维形状分割划分为： 有