基于对比学习的三维模型分类

摘要

三维模型分类已经成为一个研究热点，海量三维模型不仅具有类内多样性，同时也具有类间相似性，严重影响了三维模型的分类准确率。针对此问题，提出了一种基于对比学习的三维模型分类方法，训练时分为样本区分性阶段和分类阶段。在样本区分性阶段，同类别三维模型互为正样本，其他类别三维模型互为负样本，利用对比损失对样本特征进行约束，将正负样本映射到同一个空间单中心单位超球体上，得到一个良好的三维模型分类语义表示空间。此外，为了捕捉视图之间的关联性和视图内的关键性区域，引入了多头自注意力模块和空间注意力模块，并通过引入通道注意力提高了多头自注意力对通道维度信息的获取能力。在分类阶段，通过微调网络参数，将网络模型迁移到分类任务中，完成三维模型分类。实验结果表明，在ModelNet10和ModelNet40数据集上，三维模型分类准确率分别达到了99.4%和97.5%。

关键词

三维模型分类 / 对比学习 / 卷积神经网络 / 注意力机制 / 迁移学习