党吉圣，杨 军

兰州交通大学电子与信息工程学院，兰州730070

近年来，随着三维建模技术以及深度传感器的广泛应用，三维模型的种类和数量呈现出爆炸式增长，如何有效提高大规模多种类复杂三维模型识别准确率成为一个亟待解决的问题。三维模型识别已成为机器视觉和计算机图形学领域的一个热点和难点问题。为了提高三维模型识别准确率，大量研究工作应运而生，主要方法分为传统方法和基于深度学习的方法。其中传统方法[1-2]是研究者利用已有领域知识手工设计特征描述符对三维模型类别进行预测，如热核描述符[3]、三角区域描述符[4]等。虽然此类方法在小数据集上识别效果好，但是无法有效提取三维模型的高层语义特征，泛化能力较弱。

深度学习方法在二维图像的特征学习上取得了突飞猛进的进步，极大地促进了机器视觉领域的飞速发展。但由于三维模型内在结构的复杂性，基于深度学习的三维模型识别还面临着极大的挑战。目前基于深度学习的三维模型识别方法主要分为三类：基于体素化的方法、基于多视图的方法和基于几何深度学习的方法。基于二维视图的方法[5-6]可以直接利用经典的二维深度学习框架并融合多方向投影的视角信息来提取三维模型的类别特征用于识别分类，但该方法存在视图特征冗余和三维模型几何结构信息丢失的问题。基于体素化的方法[7-10]是把不规则的原始点云数据体素化为规则的三维体素数据，然后在三维体素数据上设计三维卷积神经网络提取特征，但三维体素模型的低分辨率导致了三维模型局部细节信息的丢失，同时三维卷积操作相比于二维卷积操作内存成本更高。……