兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
针对经典的函数映射方法存在描述符特征单一、映射矩阵约束不强的问题,构建了一种数据驱动强正则化函数映射方法,用于计算三维模型的对应关系。首先,通过前向传播将源模型和目标模型的方向直方图签名(SHOT) 特征描述符输入残差网络进行训练,获得增强的SHOT特征描述符;然后,用基于函数映射的几何约束代替标签;最后,通过反向传播优化描述符的训练过程,实现了无监督数据驱动函数映射对应关系的计算。在FAUST数据集上的实验结果表明,本方法不仅能降低函数映射网络(FMnet)中模糊对应关系矩阵和测地距离矩阵的计算量,且构建的对应关系准确性也优于现有主流方法。
机器视觉 对应关系 函数映射 数据驱动 几何约束 激光与光电子学进展
2020, 57(18): 181507
兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
基于DFPS(Dijkstra Farthest Point Sampling)算法,得到三维模型簇的初始采样点;利用函数映射理论,计算得到两个模型间的映射关系;利用循环一致性约束,将两两模型的映射关系转化为三维模型簇的多路对应关系。实验结果表明,本算法在一定程度上减小了三维模型间对应关系的等距误差,不仅可以实现两个模型间的对应关系计算,还适用于计算等距或近似等距的三维模型簇的对应关系。
机器视觉 模型簇对应关系 Dijkstra最远点采样算法 函数映射 循环一致性约束 激光与光电子学进展
2019, 56(8): 081005
