当前位置 主页 > 六和天書 >

深度学习时代的数据驱动建模之探讨_科技频道_东方资讯

  

参数方法建立三维模型几何或结构变化的概率模型,并通过统计学习得到概率模型的参数,用于描述或约束三维建模过程。上文提到的用于描述几何变化的统计建模就是典型的参数方法。为实现形变建模,参数模型需要在大量同类对象的三维模型之间建立稠密的点对应。参数化方法也可用于描述三维模型的结构变化,代表方法有基于概率图模型的方法和基于参数模板的方法。这些方法都需要对训练模型进行预分割或部件语义标注,即部件级语义对应。

非参数方法主要通过对三维模型集进行联合分析,构建模型之间的结构和语义关联,支持三维模型的几何形变和结构重组,实现智能化的模型构建与编辑。因此,部件的分解、对应和重组是非参数方法的主要途径:基于内容复用思想,对输入样例模型进行部件分析,通过上下文相关的部件自动重组实现三维模型的自动合成。实例建模就是一种典型的非参数方法,惠泽天下高手论坛。笔者所在研究组提出的三维模型集自动演化也是一种非参数方法,该方法将生物演化的思想引入三维建模:将三维模型看作生物个体,将模型集合看作生物种群;为三维模型定义了部件级交叉和变异两种基本遗传操作,通过种群遗传演化的方式快速生成大量新颖且结构合理的三维模型。一些数据驱动的过程式建模也属于非参数方法,这类方法从样例中学习模型生成规则以实现自动合成。

从方法学角度来看,数据驱动的三维建模大致可分为两类:参数方法(parametric methods)和非参数方法(non-parametric methods)。

Chaudhuri等人提出了基于概率图模型的三维建模方法的。该方法基于预分割、有标注的三维模型集,建模和学习各部件之间的概率因果关系,实现三维模型的结构推理。例如,跑狗网高手坛l,在交互式建模中为用户提供部件推荐。随后,该方法被Kalogerakis等人拓展运用于三维模型的自动生成。Kim等人提出从同类物体的大量三维模型中学习一个基于部件包围盒的可形变模板,以建模此类物体的结构先验。该参数化模板可用于三维模型的保结构编辑、基于三维点云的结构恢复等应用。但是这种模板结构简单且固定,不能描述模型之间的拓扑结构变化。

数据驱动三维建模的方法分类

本港台现场| 开奖现场| 三中三免费平码网金銮殿| 香港马会预测信息中心| 在哪里可以看跑狗报| 精准爆料主攻3码资料| 今期香港挂牌正版彩图| 中马堂清高老版跑狗图| 白小姐中特网| 六合兴家论坛|