| 摘 要： | 对于把手绘图像以及三维模型同时映射到一个联合特征嵌入空间和草图噪声给检索性能带来的影响，分析了跨模态匹配和草图噪声。将师生策略和数据不确定学习相结合，构建了一种基于不确定相似性度量学习的三维模型草图检索方法(uncertainty similarity metric learning, USML)。首先利用基于师生策略的三维形状语义相似度度量学习方法代替现有的跨域共享特征嵌入方法以提升检索的效率；然后，受数据不确定学习的启发，采用不确定学习来解决草图中噪声导致的严重过拟合并损害特征学习的问题。在大型公开基准数据集SHREC13和SHREC14上的实验结果验证了方法的有效性。结果表明，与深度点到子空间度量学习(depth point to subspace metric learning, DPSML)、深度相关度量学习(deep correlation metric learning, DCML)及深度相关整体度量学习(deep correlation holistic metric learning, DCHML)等未考虑噪声影响的算法相比，USML对基于抗噪草图的三维形状检索的效率...
|
