[论文解读] 3D Model Retrieval Based on Semantic and Shape Indexes

My Kassimi, Omar El Beqqali|arXiv (Cornell University)|Nov 28, 2011

3D Shape Modeling and Analysis参考文献 25被引用 9

一句话总结

本文提出了一种结合语义概念与形状索引的3D模型检索方法，以提高检索准确性。通过在形状和度量空间中使用k-means聚类，为模型标注语义概念，利用OWL本体语言进行表示，并应用SPARQL查询计算相似性，在普林斯顿形状基准上实现了优异性能。

ABSTRACT

The size of 3D models used on the web or stored in databases is becoming increasingly high. Then, an efficient method that allows users to find similar 3D objects for a given 3D model query has become necessary. Keywords and the geometry of a 3D model cannot meet the needs of users' retrieval because they do not include the semantic information. In this paper, a new method has been proposed to 3D models retrieval using semantic concepts combined with shape indexes. To obtain these concepts, we use the machine learning methods to label 3D models by k-means algorithm in measures and shape indexes space. Moreover, semantic concepts have been organized and represented by ontology language OWL and spatial relationships are used to disambiguate among models of similar appearance. The SPARQL query language has been used to question the information displayed in this language and to compute the similarity between two 3D models. We interpret our results using the Princeton Shape Benchmark Database and the results show the performance of the proposed new approach to retrieval 3D models. Keywords: 3D Model, 3D retrieval, measures, shape indexes, semantic, ontology

研究动机与目标

• 解决传统3D检索方法仅依赖关键词或几何特征所带来的局限性，这些方法缺乏语义理解能力。
• 通过将高层语义概念与低层形状特征相结合，弥合3D模型检索中的语义鸿沟。
• 通过引入空间关系，对具有相似外观的模型进行消歧，实现更准确且有意义的检索。
• 利用本体建模技术，构建结构化且机器可处理的3D模型语义表示。
• 通过在OWL知识库上使用SPARQL，提供高效且语义丰富的相似性查询机制，实现语义与基于形状的相似性检索。

提出的方法

• 在形状索引与几何度量空间中应用k-means聚类，自动为3D模型分配语义标签。
• 使用OWL本体语言表示所得的语义概念与空间关系，实现形式化且机器可读的建模。
• 对3D对象各部分之间的空间关系进行建模，以增强对视觉外观相似但语义不同的模型的消歧能力。
• 使用SPARQL查询语义知识库，并计算查询模型与数据库中模型之间的相似性得分。
• 将形状索引（如曲率、体积、表面积）作为定量描述符，用于基于形状的比较。
• 结合语义相似性与基于形状的相似性得分，生成最终的检索排序结果。

实验结果

研究问题

• RQ1 与仅依赖几何或关键词的方法相比，将语义概念与形状索引结合是否能显著提升3D模型检索性能？
• RQ2 机器学习方法（k-means）在从形状和几何度量中推断语义标签方面，其有效性如何？
• RQ3 3D模型中的空间关系在多大程度上有助于区分外观相似但语义不同的对象？
• RQ4 基于OWL的本体与SPARQL查询能否实现可扩展且精确的3D模型语义检索？
• RQ5 该方法在标准基准数据集（如普林斯顿形状基准）上的表现如何？

主要发现

• 从形状索引中推导出的语义概念与集成，显著提升了检索准确性，优于纯几何或基于关键词的方法。
• 在本体中引入空间关系有助于区分外观相似但语义不同的3D模型。
• 基于SPARQL的查询机制在OWL知识库上实现了高效且表达力强的相似性计算，适用于3D模型检索。
• k-means聚类方法成功地根据形状与几何特征，将3D模型分组为具有语义意义的类别。
• 该方法在普林斯顿形状基准上表现出色，证明了其在真实检索场景中的有效性。
• 所提出的框架通过将低层特征与高层概念相连接，有效缩小了3D模型检索中的语义鸿沟。