Map-Reduce驱动的分布式3D模型检索:高效精度的关键技术
需积分: 0 107 浏览量
更新于2024-09-02
收藏 1.37MB PDF 举报
本文主要探讨了一种利用Map-Reduce技术进行分布式集群的3D模型检索方法。在当前计算机视觉领域,基于视图的3D模型检索因其高效性和稳定性而受到广泛关注。作者针对这一问题,首先从三维模型的三个投影视图中提取了基于词袋模型(Bag-of-Words, BOW)标准化的Speeded Up Robust Features (SIFT)特征,这是一种常用的局部特征描述符,具有不变性和鲁棒性。
SIFT特征提取后,关键步骤是进行特征向量的计算和聚类。在这个过程中,研究者选择使用了分布式K-means算法,该算法是在Hadoop平台上实现的。Hadoop是一个开源框架,特别适合处理大规模数据集,通过并行计算和分布式存储,能够有效地加速模型特征的处理过程。K-means算法是一种无监督学习方法,通过迭代将数据点分配到最近的质心(聚类中心)来划分数据集。
为了保证初始聚类中心的准确性,研究人员引入了基于最大和最小原则的Canopy算法。Canopy算法是一种预处理方法,它快速地对数据进行初步分层,通过比较每个样本与邻近样本的最大和最小值来确定初步聚类,从而减少了后续K-means的计算量,提高了效率。
在模型相似度的评估上,作者采用的是查询模型与每个聚类中心之间的欧氏距离作为衡量标准。查询模型与最接近的聚类中心的距离越小,说明两者的相似度越高,从而作为检索的结果返回。这种方法既考虑了模型间的全局相似性,又兼顾了局部特征的匹配,使得检索结果更为精确。
实验结果显示,这种基于Map-Reduce的分布式3D模型检索方法在检索精度和时间效率上都表现优秀,能够在大规模3D模型库中快速找到与查询模型相似的模型。这种技术对于大规模3D模型搜索应用,如虚拟现实、游戏开发以及CAD系统等具有重要的实际价值。研究成果发表在《计算机与通信》杂志2018年6期,为分布式计算和3D模型检索领域的研究提供了新的视角和方法。
2019-07-22 上传
134 浏览量
2008-07-22 上传
2011-06-03 上传
2021-06-06 上传
2021-08-09 上传
2021-06-09 上传
2021-08-10 上传
2019-08-11 上传
weixin_38623000
- 粉丝: 5
- 资源: 925
最新资源
- BottleJS快速入门:演示JavaScript依赖注入优势
- vConsole插件使用教程:输出与复制日志文件
- Node.js v12.7.0版本发布 - 适合高性能Web服务器与网络应用
- Android中实现图片的双指和双击缩放功能
- Anum Pinki英语至乌尔都语开源词典:23000词汇会话
- 三菱电机SLIMDIP智能功率模块在变频洗衣机的应用分析
- 用JavaScript实现的剪刀石头布游戏指南
- Node.js v12.22.1版发布 - 跨平台JavaScript环境新选择
- Infix修复发布:探索新的中缀处理方式
- 罕见疾病酶替代疗法药物非临床研究指导原则报告
- Node.js v10.20.0 版本发布,性能卓越的服务器端JavaScript
- hap-java-client:Java实现的HAP客户端库解析
- Shreyas Satish的GitHub博客自动化静态站点技术解析
- vtomole个人博客网站建设与维护经验分享
- MEAN.JS全栈解决方案:打造MongoDB、Express、AngularJS和Node.js应用
- 东南大学网络空间安全学院复试代码解析