问从3D模型生成经过训练的模型(机器学习

EN

一些想法：

1) 几张图片：而不是只一个。正如Rodrigo评论和Brad Larson试图用他的方法规避的那样，用户只使用one图片作为输入的问题是，您必须缺乏信息来进行三角测量并在3D中形成点云。从一个稍微不同的角度拍摄4张照片，你已经可以重建物体的各个部分了。比较点云将使任何ML算法、神经网络(NN)、支持向量机(SVM)或其他算法的工作变得更容易。创建点云的通用标准是使用e57文件格式的ASTM E2807。

缺点是，3D视觉算法可能会在用户的设备上负担很重，而且不是最容易实现的。

2) training training：通过像布拉德·拉森建议的那样在预先计算的人工图片上进行训练，你接管了大部分计算，对用户有利。请注意，您可能应该使用从图片中提取的"features“来训练和分类，而不是使用完整的图片。这种方法的问题是，您可能对照明和背景上下文非常敏感。您应该注意为所有对象生成具有相同闪电条件的CAD图片，以便分类器不会过度拟合不属于该对象的“图片”的某些方面。

这是解决方案1)更稳定的方面，它对视觉上下文不太敏感。

3) Scale：对象的大小是一个重要的描述符。因此，您应该在训练之前将比例信息添加到对象描述符中。您可以要求用户使用引用对象拍摄照片。或者，您可以要求用户对对象大小进行经验法则估计(“对象的大致尺寸是多少，以厘米为单位？”)。提供大小可以使您的算法更快、更准确。

如果您在生产中的测试数据主要是3D对象的图像，那么Brad Larson的评论部分中的方法是更好的方法，它也更容易实现，并且需要更少的精力和资源来启动和运行它。

但是，如果您想在3D模型之间进行分类，则存在用于对3D点云进行分类的现有网络。您必须将这些模型转换为点云，并将其用作训练样本。其中之一就是我使用的Voxnet。我还建议你在训练数据中添加更多的变化，比如3D模型的不同旋转。

您可以使用预训练的3D深度神经网络，因为有许多网络可以帮助您在工作中，并将产生高精度。