基于多视图度量学习的非刚性 3D 形状检索
计算机视觉与模式识别
2019-04-02 v1
摘要
本研究提出了一种新颖的多视图度量学习算法，旨在改进 3D 非刚性形状检索。随着非刚性 3D 形状分析的发展，存在许多形状描述符。可以探索内在描述符来为非刚性 3D 形状检索任务构建各种内在表示。不同的内在表示（特征）侧重于不同的几何属性来描述同一 3D 形状，这使得这些表示相互关联。因此，联合为不同表示学习多个度量是可能且必要的。我们通过将边际费舍尔分析（MFA）扩展到多视图领域，并探索希尔伯特-施密特独立性准则（HSCI）作为多样性项来联合学习新度量，提出了一种有效的多视图度量学习算法。在我们的方法中，不同类别可由 MFA 分离。同时，利用 HSCI 使多个表示达成共识。学习到的度量能够减少多个表示之间的冗余，并提高检索结果的准确率。实验在 SHREC'10 基准上进行，结果表明所提方法优于最先进的或非刚性 3D 形状检索方法。
引用
@article{arxiv.1904.00765,
title = {Non-rigid 3D shape retrieval based on multi-view metric learning},
author = {Haohao Li and Shengfa Wang and Nannan Li and Zhixun Su and Ximin Liu},
journal= {arXiv preprint arXiv:1904.00765},
year = {2019}
}