基于深度学习的三维物体重建研究

李赛赛

摘要：深度学习方法是机器学习的重要分支，近年来，受到了国内外研究者的广泛关注和青睐。深度学习主要是通过模型对特征进行共同学习，然后将学习到的浅层特征进行高度语义化，当模型中的内部特征修改时，所有依赖于该特征的其他特征都可以进行自适应调整，不需要人为干预。将深度学习思想结合到三维物体重建的工作中，取得了较好的重建精度。

关键词：深度学习;三维物体;重建

中图分类号：TP3        文献标识码：A

文章编号：1009-3044（2020）31-0213-02

机器学习主要包括：无监督学习[1]、监督学习[2]和半监督学习[3]。以有监督学习方法为例，机器学习是在预先定义好的可能性空间中，通过反馈信号的指导找到输入数据之间的有用表示，但往往层与层之间是不连续的。而，深度学习方法可以在连续的层中进行有效学习，通过连续的过滤，得到越来越有意义的数据表示，对结果的影响就会越高。基于深度学习的方法在语音识别、语音合成、自然语言处理、图像分类等多个领域均取得了较好发展。

深度学习[4]方法已经成为人工智能的热潮，一方面，深度学习可以在海量数据中学习到一种非线性的网络结构，可以从数据集中得到特征之间的相关性。另一方面可以在不同数据之间学习到统一的数据表征，从而可以有效提升数据模型的性能。深度学习的方法已经成为当下各行各业最热门的研究之一。

1 深度学习方法的发展阶段

（1）1982年，Hopfield神经网络被物理学家约翰 霍普菲尔德所发明，该网络是结合了存储系统和二元系统，是一种循环神经网络。是用来模拟人类的记忆，通过激活函数的不同，输出连续性和离散型，分别用于优化计算和联想记忆。

（2）1986年，杰佛里 辛顿提出了一种多层感知机反向传播算法，即：BP神经网络算法，该算法在神经网络正向传播的基础上，增加了误差的反向传播过程P。该算法解决了非线性的分类问题，引发了人类的广泛关注。

（3）2006年，鲁斯兰 萨拉赫丁诺夫正式提出了深度学习的概念，在《Science》上发表的一篇文章中详细解释了“梯度消失”的问题，通过无监督学习的方法进行逐层训练。

（4）2012年，在ImageNet图像识别大赛中，AlexNet一举多得当年的图像识别冠军，采用ReLU激活函数，在很大程度上解决了梯度消失的问题。

（5）2017年，AlphaGo横空出世，采用的是一种深度强化学习技术，这一年，是深度学技术发展最为迅速的一年。随着深度学习技术和互联网技术的不断发展，深度学习方法已经在互联网金融、医学医疗、无人驾驶等多个领域都取得了迅猛进展。

2 目前常见的深度学习模型

2.1 卷积神经网络

卷积神经网络（convolutional neural network，CNN）[5]是一种多层神经网络，主要由卷积层、池化层、全连接层等组成。CNN可以将低层次的数据特征转化為更高层次的精细特征，卷积层和池化层通过配合的方式，从而可以组合成多个卷积组，逐层对数据进行特征的提取，最后通过若干个全连接层，从而完成数据分类。卷积层是通过局部感受野而设计的，池化层的目的是降低数据的维度。卷积网络通过一系列方法，将庞大的数据图像识别问题进行不断降低维度，最后使得模型可以进行训练。CNN非常适合处理图像数据，对图像的平移、缩放、倾斜等变形都有高度不变性。经典的Alexnet网络结构如图1所示。

2.2 生成式对抗网络

生成式对抗网络（Generative Adversarial Networks，GAN）[6]由生成器网络和判别器网络组成，生成器可以捕捉真实数据样本的潜在分布，并且可以生成新的样本;判别器是一个二分类器，它可以判别输入的是真实样本，或者是生成器生成的样本，其中，生成器和判别器是一个极大极小的博弈过程，优化的目标是达到纳什平衡。训练的时候，两者可以相互竞争、相互提升。生成式对抗网络结构图如图2所示。

2.3 循环神经网络

循环神经网络（Recurrent Neural Networks，RNN）[7]是一种处理序列数据的神经网络，和其他神经网络不同的是，RNN更擅长处理序列之间的信息，即认准了输入前后之间的关系。经典的RNN变形网络有长短期记忆神经网络和门控递归单元。典型的循环神经网络变体有长短记忆网络和门控单元。

3 常见的深度学习方法应用

3.1 图像识别

图像识别是计算机视觉领域中最基本的应用之一。通过对图像进行分类，可以知晓模型对图像信息特征提取的能力，常见的优秀图像分类模型有：VGGNet、GoogleNet和ResNet等。

3.2 图像翻译

图像翻译指的是通过一幅图像到另一幅图像的转换。通过图像转换可以实现在给定输入图像的情况下，每个输出像素之间都是相互独立的。常见的图像翻译模型有：pix2pix，pix2pixHD，vid2vid等。Pix2pix原理图如图3所示。

3.3 语音识别

语音识别是一门融合多学科知识的技术，覆盖了数学和统计学、声学与语言学、计算机与人工智能等多个学科，是人机交互中的关键技术。随着深度学习的快速发展，语音识别也成了当下比较热门的研究领域之一。

3.4 自动驾驶

谷歌通过深度学习算法将无人驾驶技术推到了一个全新的高度，可以通过不同的传感器来提供数据，然后再通过这些数据来进行学习，即使是不会开车的人，也可以通过该技术进行驾驶。

3.5 三维物体重建

深度学习方法已经在图像领域大放异彩，近几年，在三维模型领域，也受到了广泛关注，例如：三维物体重建、三维模型分类、识别等，均取得快速的发展。

4 总结

本文针对三维模型重建问题，将深度学习思想结合到三维模型的重建工作中，首先，使用卷积神经网络对图像进行特征提取，得到单幅图像的特征图;然后对单幅图像的特征图在进行解码，重建出三维模型。实验结果表明：深度学习技术能够自动、高效学习到有用的特征表示，取得了较高的重建精度。

参考文献：

[1] 古险峰，冯学晓.基于深度无监督学习的图像分类算法[J].平顶山学院学报，2018，33（2）：67-70.

[2] 蒋卓人，陈燕，高良才，等一种结合有监督学习的动态主题模型[J].北京大学学报（自然科学版），2015，51（2）：367-376.

[3] 刘建伟，刘媛，罗雄麟.半监督学习方法[J].计算机学报，2015，38（8）：1592-1617.

[4] SCHMIDHUBER J ， rgen. Deep learning in neural networks[M]. Elsevier Science Ltd. 2015.

[5] Krizhevsky A，Sutskever I，Hinton G.ImageNet Classification with Deep Convolutional Neural Networks[J]. Advances in neural information processing systems， 2012， 25（2）.

[6] Goodfellow I J ， Pouget-Abadie J ， Mirza M ， et al. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems， 2014， 3：2672-2680.Graves A ， Mohamed A R ， Hinton G . Speech Recognition with Deep Recurrent Neural Networks[C]// IEEE International Conference on Acoustics. IEEE， 2013.

[7] Graves A ， Mohamed A R ， Hinton G . Speech Recognition with Deep Recurrent Neural Networks[C]// IEEE International Conference on Acoustics. IEEE， 2013.

【通聯编辑：代影】