采用交替优化策略的三维模型兴趣点提取算法

针对三维模型的兴趣点提取问题,提出一种基于交替优化的全监督检测算法.第1步,利用多种特征描述符对人工标注好的三维模型进行特征提取,得到每个顶点的特征向量,将其作为神经网络的输入;第2步,使用双调和距离场为模型表面顶点赋予概率标签,并将顶点标签值作为神经网络的输出;第3步,通过神经网络学习输入特征与输出标签之间的复杂映射关系;第4步,将训练后的神经网络对训练集进行预测,并把兴趣点提取结果与人工标签进行对比,根据对比差异进一步优化顶点标签值,然后将顶点标签值作为输出、顶点特征向量作为输入,继续优化神经网络.将第3步和第4步重复多次进行交替优化,最终得到一个较优的神经网络模型.在公开数据集SHREC 2011上的实验结果表明,由于采用了交替优化的策略,所提算法在三维模型表面兴趣点提取的关键评价指标FNE和FPE上均优于传统算法,准确率实现了平均11个百分点以上的提升.