开会总结：
1. 识别大体过程：
（1）先分大类再分小类，首先粗判Sketch是箱体（非回转类）还是轴类（回转类），那么
（2）假设是回转类，则在以对称轴为中心的初值基础上，把其中的拉伸特征（异类）识别出来；
（3）假设是非回转类，则把其中的非拉伸特征（异类）识别出来。
2. 识别的具体步骤：
（1）定义两个方向：“垂直于Sketch的方向”和“旋转轴方向”，
#1、找到优先级高的环（最外层环等）及其布局之后，根据回转类的特性，对每个Loop构成进行分析，对于有悖于回转类特性的Loop做初步排除，并确定为非回转类；
#2、对Loop的旋转轴聚类，做对称轴的识别，如果聚类结果超过给定的阈值，那么就可归为回转类，否则为非回转类。
# 3、根据模式列表对两大类别做验证。
（2）回转类：
# 对回转类内的异类（虚线、非回转特征）做特征判别。
（3）非回转类：
# 非回转键中，最主要的环一般不是回转特征，考虑其他Loop或许可以识别出局部回转特征。
3. 对于需要用复合特征生成的Loop，需要用启发式规则做进一步分割。
4. 定义一些模式（为Loop的模板），类似模式识别的预处理。模式代表一种特性、特征，反映本质特征。其实是一种特殊的启发式规则，特定模式对应特定的特征。（具有特征鉴别意义的组合环模式列表）（启发式规则就是定义了一些模式，模式事实上是特殊的组合环）
#做一个Loop模式列表，用以做模式识别，包括具体有哪些模式，它们的作用以及合理性。
5.
接下来工作：
1. 对Loop的特征列表做整理；
2. 整理Loop模式列表，包括模式的作用和合理性（定义的依据要给出来）；
3. 给定一个分类准则（规则），阐述为什么要设计这几个准则？同时根据指定的准则来说清楚给定的类别是否达到目标？
# 比如一项重要的原则：相比现有的商品化系统，给定的特征应该是可区分的更加具有细粒度的，这是因为为了支持基于语义的检索（能够尽可能的精确），辨识度高。
并且，也要阐述为什么已经达到最细，如果不是最细粒度的特征列表，论述为什么这样子就可以了？
4. 对Loop特征的确定过程步骤做修改；
5. 归纳一些有悖于旋转特性的一些Loop，如圆，五角形等。出现这些Shape则不考虑回转类。
后一步工作：
1. 从统计上，得出一些正负特征区分的规律；
2. Sweep和SweepCut的具体Loop的Shape；
3.
Tip：
以后做例子的时候，例三可以用来做一个例子比较，两种延伸情况：一是将四个角拿掉，二是拿掉一个局部旋转。
思考：
1. 是不是把虚线的特征做成列表放到实线特征列表的后面。
