Abstract-Semantic based 3D model re

Abstract-Semantic based 3D model retrieval (SB3DMR) has
attracted more and more research interests, and is a challenge
research problem in the field of content based 3D model retrieval
(CB3DMR). Current studies concentrate on the relevance
feedback or supervised learning to reduce the semantic gap
between 3D model low-level features and high-level semantic. In
this paper, a new method in extracting semantic feature for 3D
model is proposed. It can get high-level semantic information
automatically from low-level. First, invariant descriptors are
extracted from 3D models to efficient semantic annotation. An
unsupervised learning method to describe the semantics of the 3D
models is proposed. Second, and based on the resulting semantic
annotation, 3D models are semantically classified. Finally, spatial
relationships are used to derive other high-level semantic features
to augment our knowledge base and to improve the retrieval
accuracy. An ontology based 3D model retrieval framework is
used to combine the semantic concepts and visual features and
introduce the query by semantic example.

ผลลัพธ์ (ไทย) 1:

มีเรียกนามธรรมทางตรรกตามโมเดล 3 มิติ (SB3DMR)ดึงดูดความสนใจงานวิจัยมาก ขึ้น และเป็นความท้าทายวิจัยปัญหาในด้านของเนื้อหาตามเรียกโมเดล 3 มิติ(CB3DMR) การศึกษาปัจจุบันเน้นที่เกี่ยวข้องความคิดเห็นหรือการดูแลการเรียนรู้เพื่อลดช่องว่างทางตรรกโมเดล 3 มิติระดับคุณลักษณะ และพื้นฐานทางตรรก ในกระดาษนี้ วิธีการใหม่ในลักษณะทางตรรกสำหรับ 3Dมีเสนอแบบจำลอง ข้อมูลพื้นฐานทางตรรกได้จากระดับต่ำโดยอัตโนมัติ มีตัวบอกแรก ไม่เปลี่ยนแปลงสกัดจากโมเดล 3 มิติในการคำอธิบายความหมายที่มีประสิทธิภาพ มีวิธีเรียนรู้ขั่วเพื่ออธิบายความหมายของ 3Dมีเสนอแบบจำลอง สอง และตามผลทางตรรกคำอธิบายประกอบ โมเดล 3 มิติมีประโยคจำแนก ในที่สุด พื้นที่ความสัมพันธ์จะใช้ในการสืบทอดคุณสมบัติทางตรรกพื้นฐานอื่น ๆเพื่อเสริมฐานความรู้ของเรา และ เพื่อปรับปรุงการเรียกความถูกต้อง มีภววิทยาที่ใช้โมเดล 3 มิติเรียกกรอบใช้การรวมแนวคิดทางตรรกและแสดงคุณลักษณะ และแนะนำแบบสอบถามตามตัวอย่างทางตรรก

ผลลัพธ์ (ไทย) 2:

บทคัดย่อความหมายตามรูปแบบ 3 มิติการดึง (SB3DMR) ได้
ดึงดูดมากขึ้นและผลการวิจัยมากขึ้นและเป็นความท้าทาย
ปัญหาการวิจัยในด้านการดึงเนื้อหาตามรูปแบบ 3 มิติ
(CB3DMR) การศึกษาปัจจุบันมีสมาธิในความเกี่ยวข้อง
ความคิดเห็นหรือภายใต้การดูแลการเรียนรู้ที่จะลดช่องว่างความหมาย
ระหว่างรูปแบบ 3 มิติคุณลักษณะระดับต่ำและระดับสูงความหมาย ใน
บทความนี้เป็นวิธีการใหม่ ๆ ในการสกัดคุณลักษณะความหมายสำหรับ 3D
รุ่นมีการเสนอ ก็จะได้รับในระดับสูงข้อมูลความหมาย
โดยอัตโนมัติจากระดับต่ำ ครั้งแรกที่อธิบายคงที่จะ
สกัดจากแบบจำลอง 3 มิติเพื่อให้ความหมายคำอธิบายประกอบที่มีประสิทธิภาพ
วิธีการเรียนรู้ใกล้ชิดเพื่ออธิบายความหมายของภาพ 3 มิติ
รุ่นที่มีการเสนอ ประการที่สองและอยู่บนพื้นฐานความหมายส่งผลให้
คำอธิบายประกอบแบบจำลอง 3 มิติจะถูกจัดประเภทความหมาย สุดท้ายเชิงพื้นที่
ความสัมพันธ์ที่จะใช้ในการได้มาซึ่งคุณสมบัติอื่น ๆ ระดับสูงความหมาย
ที่จะขยายฐานความรู้ของเราและเพื่อปรับปรุงการดึง
ความถูกต้อง 3 มิติกรอบการดึงรูปแบบอภิปรัชญาตามจะถูก
ใช้ในการรวมแนวคิดความหมายและคุณลักษณะภาพและ
แนะนำแบบสอบถามโดยตัวอย่างความหมาย

ผลลัพธ์ (ไทย) 3:

基于三维模型Abstract-Semantic retrieval SB3DMR有（）更多和更多的利益，attracted和研究是一个挑战。在研究基于内容的问题retrieval场3D模型（CB3DMR）。在relevance concentrate流动研究监督学习的反馈，或semantic to reduce的代沟。三维模型的特征和high-level low-level之间。在semantic在这纸，一个新的特征提取方法，semantic 3Dproposed模型。它可以是high-level semantic联系信息第一，从low-level自动invariant是艺术。从三维模型到extracted semantic标注”一个有效。无监督的学习方法semantics to describe的3D模型是基于proposed。第二，在resulting semantic三维模型，semantically标注”，是classified Finally空间。那是用derive关系到high-level semantic功能对我们的知识基础和对提高augment的retrieval基于一个三维模型的精度。ontology是retrieval框架用semantic到视觉功能的combine concepts和和通过例子介绍semantic的查询。