主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
李海生,孙莉,武玉娟,吴晓群,蔡强,杜军平.非刚性三维模型检索特征提取技术研究.软件学报,2018,29(2):483-505
非刚性三维模型检索特征提取技术研究
Survey on Feature Extraction Techniques for Non-Rigid 3D Shape Retrieval
投稿时间:2017-05-19  修订日期:2017-07-16
DOI:10.13328/j.cnki.jos.005379
中文关键词:  非刚性三维模型  特征提取  深度学习
英文关键词:non-rigid 3D shape  feature extraction  deep learning
基金项目:国家自然科学基金(61320106006,61532006,61602015);北京市自然科学基金(4162019);北京市科技计划(Z161100001616004)
作者单位E-mail
李海生 北京工商大学 计算机与信息工程学院, 北京 100048
食品安全大数据技术北京市重点实验室(北京工商大学), 北京 100048 
lihsh@th.btbu.edu.cn 
孙莉 北京工商大学 计算机与信息工程学院, 北京 100048
食品安全大数据技术北京市重点实验室(北京工商大学), 北京 100048 
 
武玉娟 北京工商大学 计算机与信息工程学院, 北京 100048
食品安全大数据技术北京市重点实验室(北京工商大学), 北京 100048 
 
吴晓群 北京工商大学 计算机与信息工程学院, 北京 100048
食品安全大数据技术北京市重点实验室(北京工商大学), 北京 100048 
 
蔡强 北京工商大学 计算机与信息工程学院, 北京 100048
食品安全大数据技术北京市重点实验室(北京工商大学), 北京 100048 
 
杜军平 北京邮电大学 计算机学院, 北京 100876  
摘要点击次数: 1654
全文下载次数: 1645
中文摘要:
      三维模型特征描述符是一种简洁且信息量丰富的表示方式,特征提取是许多三维模型分析处理任务的关键步骤.近年来,针对非刚性三维模型特征提取技术的研究引起了人们的广泛关注.首先,汇总了常用的非刚性三维模型基准数据集和算法评价标准;然后,在广泛调研大量文献和最新成果的基础上,将非刚性三维模型特征分为人工设计的特征描述符和基于学习的特征描述符两大类,并分别加以介绍,对每类方法所包含的典型算法,尤其是近几年基于深度学习的特征提取算法的基本思想、优缺点进行了分析、对比和总结;最后进行总结,并对未来可能的发展趋势进行了展望.
英文摘要:
      Shape descriptor is a concise and informative representation. Feature extraction is a key step in many 3D shape analysis tasks. In recent years, feature extraction technologies of non-rigid 3D shape have attracted a lot of attentions. This paper firstly introduces the evaluation criteria and the datasets which are commonly used as benchmark in non-rigid 3D shape feature extraction. Secondly, based on extensive research on the existing literatures and the latest achievements, the paper categorizes the non-rigid 3D shape descriptors into two types:Hand-Crafted shape descriptors and learning based shape descriptors. The basic ideas, advantage and disadvantage of typical algorithms belong to each category, especially the most recent feature extraction algorithms based on deep learning are analyzed, compared and summarized. Finally, some potential future work is discussed.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利