基于迁移学习的三维模型特征提取方法研究

摘要

本文为提高三维模型检索性能,解决因训练数据不足导致卷积神经网络模型过拟合的问题,提出一种基于迁移学习和多特征融合的三维模型检索算法。基于多视图的方法,借助发展较为成熟的图像特征提取技术,将迁移学习引入卷积神经网络模型训练中,对不同领域且存在不同分布情况的数据进行映射。通过改进的领域适配方法 (DDC)减小域间差异。基于多个源模型、多个目标模型学习,比单一模型具有更强泛化能力与鲁棒性。对通用特征进行PCA降维与特殊特征进行融合,获得更强的特征表示能力。提出一种基于迁移学习的三维模型特征提取技术路线,以验证集的平均查全率和平均查准率作为评估指标,以查准-查全曲线作为评判曲线。旨在提高三维模型检索的效率和准确率,以适应目前小数据集挖掘研究浪潮。