白少进，白 静，2，司庆龙，姬 卉，袁 涛

1.北方民族大学 计算机科学与工程学院，银川 750021

2.国家民委图形图像智能处理实验室，银川 750021

随着计算机辅助设计技术和计算机图形学的快速发展，三维模型的数量与日俱增，三维模型的识别问题也变得日益复杂，出现了多样化的分类需求[1-3]。现有研究主要聚焦于一般性的三维模型分类，无法满足多样化分类需求；而部分针对特定需求设计的分类工作也只能适应相应任务。如何构建普适性三维模型分类框架，以使其适应不同需求的分类任务具有相当的挑战性。

深度学习技术能让机器自动学习客观对象的多层抽象和表示，从而理解各类复杂对象的内在含义，在计算机视觉等领域得到了广泛应用并取得了突出成效。随着ModelNet[4]、SHREC2015[5]等大型三维模型数据集的相继出现，在该领域也涌现出一系列深度学习的新算法[6-17]。然而，这些深度学习模型旨在完成元类型的识别，且假定测试样本和训练样本的类别相同；当遇到特定需求，往往需要额外设计特定的模块来辅助网络进行特征提取。如，在细粒度分类[1]中需要设计局部特征提取模块以捕捉不同类型之间的局部差异，在零样本学习[3]中需要设计特定的关联模块以实现已知类到未知类的知识迁移。随着三维模型数量以及应用需求的不断增加，针对每种需求设计全新的网络无疑是耗时耗力，且十分困难的。

聚焦于以上问题，本文提出一种面向多样化分类任务的深度集成学习模型，在传统深度神经网络的基础上，加入集成模块，对网络初始决策进行再学习，根据任务需求的不同，使网络具有相应特征的提取能力；……