算法模型（简略介绍）
- 基于三视图加权的卷积神经网络。针对视图特征的提取，本章通过体素化模型来得到深层的三视图特征，并针对三视图特征的表达能力不同，通过视图加权使模型的检索率得到明显的上升。采用ModelNet10的标准集测试，该网络在迭代1000次之后，损失函数基本收敛。在训练集维持97.51％的识别率，测试集的识别率达到91.72％。
- 基于多视图的卷积神经网络。考虑到二维图像的深度学习算法更加成熟和稳定，因此从三维模型渲染后，通过摆放不同方位地虚拟摄像机来得到多角度图像出发，并通过ViewPooling聚合使多视图融合，得到新特征向量，再通过深度学习进行构建本章的神经网络。采用ModelNet10的标准集测试，该网络迭代到1900次左右，损失函数基本收敛。在训练集达到98.89％的识别率，测试集达到92.75％的识别率。
为方便读者有更直观的认识，已将本人训练好的模型特征数据上传，只需按照以下步骤进行解压
Step1: 将logs下的feaSets.rar中的文件解压出来，！！放到logs文件夹中！！
Step2: 将session/vox/下的session.rar中的文件解压出来，！！放到session/vox/文件夹中！！
Step3: 打开VoxPicTrainPredict.py文件，执行main方法即可得到模型预测结果。
-
主要功能介绍(每个文件都有单独的main函数(测试用))
-
ReadOff文件。读取.off后缀的模型文件，做模型预处理。
-
Tri2Vox文件。对模型进行体素化。
-
GetFeature文件。对体素化后的模型进行提取特征。
-
GetLabels文件。提取主文件下模型的标签。(监督式学习)
-
CNNUtils文件。神经网络训练的工具。
-
CNNVixPicTrain文件。对体素化后的模型三视图进行训练。
-
H5FileUtils文件。针对特征数据存储读写的h5utils工具。
-
VoxPicTrainPredict文件。对训练好的模型，针对单个模型，进行预测。
-
CNNPicTrain文件。对多视角视图特征进行训练。
-
PlotTri，PlotVoxel文件。对模型或模型特征进行可视化输出。
-
-
model文件夹。用于存放测试模型。模型选自ModelNet或PSB数据集。有兴趣可到官网浏览或下载。链接: 普林斯大学modelnet模型库
-
session文件夹。用于存放模型训练参数的session。可用于保存训练中得到的较好参数，并在模型预测时可加载session得到模型特征。
-
logs文件夹。用于存放模型特征数据。
- 语言：python3.6
- 框架：tensorflow
可以选择在本地搭建环境来跑程序
也可选择Google提供的工具Colaboratory进行搭建学习。教程: 如何使用Colaboratory
Step1: 读取模型并进行预处理(使用ReadOff文件)
Step2: 进行模型体素化(使用Tri2Vox文件)
Step3: 提取模型特征，并存放到特定位置。(使用GetFeature文件)
Step4: 训练模型，保存较好的session。 (使用CNNVoxPicTrain文件)
Step5: 预测模型。加载模型session，并可对未知模型进行预测。(使用VoxPicTrainPredict文件)
三维模型检索系统原型使用matlab开发，对接python。有兴趣可尝试一下。
如果需要训练自己的训练集，那需要根据以下步骤:
Step1：定义模型的组织结构（文件结构尽量保持一致，代码可复用）。
Step2: 执行GetFeature.py文件的main方法，获取训练集和测试集的h5文件。
Step3: 执行CNNVoxPicTrain.py文件的mian方法，对Step2获取的h5文件传入，设置参数，执行main函数，进行深度学习。
PS: (1)对于用户定义的模型组织结构不与本文相同，那需要重写getFeature()函数。
(2)模型的类型不是off文件，替换getFeature()函数的verts, faces = ReadOff.readOff(modelFile)即可，只需返回参数内容相同即可。
(3)集成自定义体素化方法，替换getFeature()函数的vox = Tri2Vox.Tri2Vox(verts, faces, 64)成个人实现的体素化方法，只需返回参数内容相同即可。
(4)对于(2)(3)的参数内容可自己在相对应的函数进行测试。不懂可找我哈哈。