35、3D 形状匹配与识别：技术、挑战与未来展望

3D 形状匹配与识别：技术、挑战与未来展望

1. 3D 形状匹配方法评估

在 3D 形状匹配与识别领域，为了评估特定技术在大规模数据库中的鲁棒性，研究人员构建了包含 TOSCA 数据集、普林斯顿形状基准和 Sumner 数据集模型的数据库，并使用 ROC 曲线来衡量性能。

在计算最终描述符时，使用的参数为 (t_0 = 1024) 和 (\alpha = 1.32)，词汇表大小为 48，软量化的 (\sigma) 设置为几何词汇表中聚类中位数大小的两倍，且仅使用 200 个特征值来计算热核签名（HKS）。

评估方法采用了三个标准：
- 等错误率（EER）：即假阳性率（FPR）等于假阴性率（FNR）时的值。
- FPR 在 FNR 为 1% 时的值。
- FPR 在 FNR 为 0.1% 时的值。

以下是使用词汇表大小为 48 的特征袋方法的性能表：
| 变换类型 | EER | FPR @ FNR = 1 % | FPR @ FNR = 0.1 % |
| — | — | — | — |
| Null | 0.97 % | 0.90 % | 6.47 % |
| Isometry | 1.34 % | 1.56 % | 11.13 % |
| Topology | 1.12 % | 2.49 % | 14.41 % |
| Isometry+Topology | 1.82 % | 2.38 % | 13.90 % |
| Triangulation | 2.29 % | 4.26 % | 14.66 % |
| Partiality | 3.81 %