CN106529569A - 基于深度学习的三维模型三角面特征学习分类方法及装置 - Google Patents
基于深度学习的三维模型三角面特征学习分类方法及装置 Download PDFInfo
- Publication number
- CN106529569A CN106529569A CN201610889177.0A CN201610889177A CN106529569A CN 106529569 A CN106529569 A CN 106529569A CN 201610889177 A CN201610889177 A CN 201610889177A CN 106529569 A CN106529569 A CN 106529569A
- Authority
- CN
- China
- Prior art keywords
- threedimensional model
- class label
- feature
- tri patch
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000013016 learning Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习的三维模型三角面特征学习分类方法及装置,该方法包括:构建深度卷积神经网络特征学习模型;训练深度卷积神经网络特征学习模型;对无类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构;根据所述训练后的深度卷积神经网络特征学习模型,以及所述无类别标签的三维模型三角面片对应的初始特征,确定所述无类别标签的三维模型三角面片对应的输出特征并进行分类。该方法提升了对于三维模型三角面片的描述能力,保证了三维模型三角面片特征学习与分类的结果的准确性。
Description
技术领域
本发明涉及计算机技术,尤其涉及一种基于深度学习的三维模型三角面特征学习分类方法及装置。
背景技术
随着社会科技的不断进步发展,三维技术已成为现代科技的重要组成部分。三维模型三角面片特征学习与分类技术作为三维模型理解与处理的重要基础技术之一,在三维建模、三维动画以及三维贴图等各三维技术领域都发挥着巨大作用。
现有技术中,提出了多种三维模型三角面片特征学习与分类技术,例如2016年,浙江大学的Zhenyu Shu等人提出了一种无监督的基于深度学习的三维模型三角面分类与共分割方法。该方法在预分割的基础上,提取三维模型特征,在无监督的条件下,使用深度学习模型auto-encoder对特征进行重构学习,并对输出特征应用GMM进行聚类,得到三维模型三角面片分类与共分割结果。该方法采用无监督的特征学习方式,无法保证学习得到正确的输出特征,同时无法保证得到准确的三角面片分类结果。
综上所述,现有技术所提出的特征对于三角面片的描述能力不够,导致三维模型三角面片特征学习与分类的结果不够准确。
发明内容
本发明提供一种基于深度学习的三维模型三角面特征学习分类方法及装置,用于解决现有技术中对三角面片的描述能力不够的问题。
本发明第一方面提供一种基于深度学习的三维模型三角面特征学习分类方法,包括:
构建深度卷积神经网络特征学习模型,所述深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层,其中,所述第一卷积层具有16个尺寸为5*5的卷积核,所述第一下采样层的缩放因子为2,所述第二卷积层具有16*20个尺寸为3*3的卷积核,所述第二下采样层的缩放因子为2;
对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述具有类别标签的三维模型三角面片对应的初始特征;
使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型;
对无类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述无类别标签的三维模型三角面片对应的初始特征;
根据所述训练后的深度卷积神经网络特征学习模型,以及所述无类别标签的三维模型三角面片对应的初始特征,确定所述无类别标签的三维模型三角面片对应的输出特征;
根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类。
进一步地,所述对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述具有类别标签的三维模型三角面片对应的初始特征,包括:
计算所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征;
根据所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征,使用K-means算法对所述具有类别标签的三维模型三角面片的每类特征分别进行聚类,获取K个聚类中心,其中,K为大于0的整数;
将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换,并将变换后的k个新特征求和并除以k,获取具有类别标签的三维模型的每个三角面片的平均特征值;
确定具有类别标签的三维模型的每个三角面片的邻居面片;
将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算,将运算结果作为所述具有类别标签的三维模型三角面片对应的初始特征;
对所述具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。
进一步地,所述使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型,包括:
A、将所述具有类别标签的三维模型三角面片对应的初始特征输入到所述深度卷积神经网络特征学习模型中,逐层计算,获取具有类别标签的三维模型的每个面片属于各类别的概率;
B、将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算,获取残差;
C、根据所述残差从所述深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导,并逐层更新每层的参数值;
D、循环执行A-C,直至执行次数达到预设次数。
进一步地,所述根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类,包括:
对所述无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算;
使用非线性函数对加权与偏置计算的结果进行激活,获取激活值;
根据所述激活值进行分类概率求解。
进一步地,还包括:
确定无类别标签的三维模型的边界三角面片;
根据所述无类别标签的三维模型三角面片的分类结果,以及所确定出的无类别标签的三维模型的边界三角面片,使用Fuzzycuts算法进行分类结果优化。
本发明第二方面提供一种基于深度学习的三维模型三角面特征学习分类装置,包括:
构建模块,用于构建深度卷积神经网络特征学习模型,所述深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层,其中,所述第一卷积层具有16个尺寸为5*5的卷积核,所述第一下采样层的缩放因子为2,所述第二卷积层具有16*20个尺寸为3*3的卷积核,所述第二下采样层的缩放因子为2;
第一重构模块,用于对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述具有类别标签的三维模型三角面片对应的初始特征;
训练模块,用于使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型;
第二重构模块,用于对无类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述无类别标签的三维模型三角面片对应的初始特征;
第一确定模块,用于根据所述训练后的深度卷积神经网络特征学习模型,以及所述无类别标签的三维模型三角面片对应的初始特征,确定所述无类别标签的三维模型三角面片对应的输出特征;
分类模块,用于根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类。
进一步地,所述第一重构模块包括:
计算单元,用于计算所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征;
聚类单元,用于根据所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征,使用K-means算法对所述具有类别标签的三维模型三角面片的每类特征分别进行聚类,获取K个聚类中心,其中,K为大于0的整数;
获取单元,用于将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换,并将变换后的k个新特征求和并除以k,获取具有类别标签的三维模型的每个三角面片的平均特征值;
确定单元,用于确定具有类别标签的三维模型的每个三角面片的邻居面片;
运算单元,用于将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算,将运算结果作为所述具有类别标签的三维模型三角面片对应的初始特征;
归一单元,用于对所述具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。
进一步地,所述训练模块包括:
第一计算单元,用于将所述具有类别标签的三维模型三角面片对应的初始特征输入到所述深度卷积神经网络特征学习模型中,逐层计算,获取具有类别标签的三维模型的每个面片属于各类别的概率;
第二计算单元,用于将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算,获取残差;
第三计算单元,用于根据所述残差从所述深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导,并逐层更新每层的参数值。
进一步地,所述分类模块包括:
第四计算单元,用于对所述无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算;
第五计算单元,用于使用非线性函数对加权与偏置计算的结果进行激活,获取激活值;
第六计算单元,用于根据所述激活值进行分类概率求解。
进一步地,还包括:
第二确定模块,用于确定无类别标签的三维模型的边界三角面片;
优化模块,用于根据所述无类别标签的三维模型三角面片的分类结果,以及所确定出的无类别标签的三维模型的边界三角面片,使用Fuzzycuts算法进行分类结果优化。
本发明所提供的方法,在训练深度卷积神经网络特征学习模型以及将三维模型三角面片特征输入到深度卷积神经网络特征学习模型之前,都会对三维模型三角面片进行特征提取以及重构,从而提升了对于三维模型三角面片的描述能力,在此基础上结合特定结构的深度卷积神经网络特征学习模型进行特征处理以及分类,从而保证了三维模型三角面片特征学习与分类的结果的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例一的流程示意图;
图2为该深度卷积神经网络特征学习模型的示意图;
图3为第4层的处理示意图;
图4为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例二的流程示意图;
图5为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例三的流程示意图;
图6为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例四的流程示意图;
图7为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例五的流程示意图;
图8为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例一的模块结构图;
图9为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例二的模块结构图;
图10为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例三的模块结构图;
图11为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例四的模块结构图;
图12为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例五的模块结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例一的流程示意图,如图1所示,该方法包括:
S101、构建深度卷积神经网络特征学习模型。
图2为该深度卷积神经网络特征学习模型的示意图,如图2所示,该深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层,其中,第一卷积层具有16个尺寸为5*5的卷积核,第一下采样层的缩放因子为2,第二卷积层具有16*20个尺寸为3*3的卷积核,第二下采样层的缩放因子为2。
以下介绍该深度卷积神经网络特征学习模型的处理过程。
参照图2,本发明深度卷积神经网络特征学习模型主要分6层,第1层为输入层,第2层为包含16个尺寸为5*5的卷积核的卷积层,即第一卷积层。假设Wi为一个卷积核的权重,则定义卷积操作如下:
Outputi=Wi*Input+bi,i=1...16
其中,*表示卷积操作,bi表示偏置向量。利用16个卷积核对输入的初始特征进行卷积操作,得到16个尺寸为16*16的特征,紧接着利用sigmoid激活函数对其进行激活操作如下:
进而,在第3层,即第一下采样层,对经过非线性与激活操作后的特征进行缩放因子为2的下采样操作,得到16个尺寸为8*8的特征作为第4层的输入。
进而,在第4层,即第二卷积层,将第3层输出的16个特征扩展为20个尺寸为6*6的新特征。图3为第4层的处理示意图,如图4所示,对于每一个新特征的求解,都利用16个尺寸为3*3的卷积核构建的卷积层对第3层的16个输出特征进行卷积操作并进行叠加操作。
进而,在第5层,即第二下采样层,对得到的特征进行激活操作与下采样操作,得到20个尺寸为3*3的特征。
进而,在第6层,即全连接层,将第5层输出的特征重构为180*1的特征向量,为了将输出特征归一化到[0,1]之间,再利用非线性映射并再次应用sigmoid激活函数对其进行激活操作,并得到三维模型中每个三角面片属于不同类别的概率值Pt。
S102、对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取具有类别标签的三维模型三角面片对应的初始特征。
S103、使用具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型。
步骤S102-S103是训练上述深度卷积神经网络特征学习模型的过程,在步骤S102中,先对已经具有类别标签的三维模型三角面片特征提取及重构,将重构的特征作为深度卷积神经网络特征学习模型的输入。
进而,在步骤S103中,对深度卷积神经网络特征学习模型进行训练。
S104、对无类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取无类别标签的三维模型三角面片对应的初始特征。
S105、根据训练后的深度卷积神经网络特征学习模型,以及无类别标签的三维模型三角面片对应的初始特征,确定无类别标签的三维模型三角面片对应的输出特征。
S106、根据无类别标签的三维模型三角面片对应的输出特征对无类别标签的三维模型三角面片进行分类。
步骤S104-S106是使用训练好的深度卷积神经网络特征学习模型对三维模型三角面片进行分类的过程。其中,步骤S104是对三维模型三角面片进行特征提取及重构,其方法与S102相同,具体过程将在下文中进行详细描述。
在步骤S105中,将经过S104所计算出的初始特征输入到训练好的深度卷积神经网络特征学习模型中,深度卷积神经网络特征学习模型会输出其对应的输出特征,其中,初始特征在卷积神经网络特征学习模型中的处理过程可以参照前述步骤S101中的深度卷积神经网络特征学习模型的处理过程,此处不再赘述。
在步骤S106中,根据深度卷积神经网络特征学习模型所输出的特征对三维模型三角面片进行分类。
本实施例中,首先构建具有特定结构的深度卷积神经网络特征学习模型并对其进行训练,进而使用训练好的深度卷积神经网络特征学习模型来获取需要进行分类的三维模型三角面片的输出特征,再基于这些输出特征对三维模型三角面片进行分类。其中,在训练深度卷积神经网络特征学习模型以及将三维模型三角面片特征输入到深度卷积神经网络特征学习模型之前,都会对三维模型三角面片进行特征提取以及重构,从而提升了对于三维模型三角面片的描述能力,在此基础上结合特定结构的深度卷积神经网络特征学习模型进行特征处理以及分类,从而保证了三维模型三角面片特征学习与分类的结果的准确性。
在上述实施例的基础上,本实施例涉及对三维模型三角面片进行特征提取与重构的过程,本实施例以深度卷积神经网络特征学习模型训练前的特征提取与重构为例来进行说明,即本实施例介绍S102的具体执行过程。S104的执行过程与S102的过程相同,仅需要将下述步骤中的具有类别标签的三维模型三角面片替换为无类别标签的三维模型三角面片即可。
图4为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例二的流程示意图,如图4所示,上述步骤S102具体包括:
S201、计算具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征。
S202、根据具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征,使用K-means算法对具有类别标签的三维模型三角面片的每类特征分别进行聚类,获取K个聚类中心。
其中,K为大于0的整数。
S203、将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换,并将变换后的k个新特征求和并除以k,获取具有类别标签的三维模型的每个三角面片的平均特征值。
具体地,假设将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征所得到的结果为Disk,则使用如下公式对Disk进行非线性变换:
NDisk=exp(-Disk/kbof)
其中,kbof为比例系数,可选地,可以将kbof设置为1e6。
S204、确定具有类别标签的三维模型的每个三角面片的邻居面片。
S205、将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算,将运算结果作为具有类别标签的三维模型三角面片对应的初始特征。
S206、对具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。
在上述实施例的基础上,本实施例涉及训练深度卷积神经网络特征学习模型的具体方法,即,图5为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例三的流程示意图,如图5所示,上述步骤S103具体包括:
S301、将具有类别标签的三维模型三角面片对应的初始特征输入到深度卷积神经网络特征学习模型中,逐层计算,获取具有类别标签的三维模型的每个面片属于各类别的概率。
在训练深度卷积神经网络特征学习模型时,主要需要训练的参数是权重矩阵W和偏置向量b。
该步骤为前向传导过程,在前向传导过程中,用很小的随机数初始化权重矩阵W,并用0向量初始化偏置向量b。进而,使用输入的初始特征通过深度卷积神经网络特征学习模型进行逐层计算,得到每个三角面片t的输出特征以及每个三角面片属于不同类别的概率值Pt。
S302、将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算,获取残差。
假设Gt表示ground-truth数据,则利用欧式距离计算残差的公式如下:
其中,T为训练过程中使用的所有三维网格三角面片的集合。
S303、根据残差从深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导,并逐层更新每层的参数值。
该步骤为反向传播过程,反向传播过程的目的是通过调节每一层的参数W和b来减少残差Errort。由于Output=W*Input+b,则计算残差Errort对b的偏导的公式为:
其中,从第l+1层反向传播到第l层时:
其中,"·"表示每个元素对应相乘操作,"C"和"S"分别表示卷积操作和下采样操作。
需要说明的是,在计算残差的最后一层L层,与其他层的计算略有不同:
δL=sigmoid'(OutputL)·(Gt-Pt)=OutputL·(1-OutputL)·(Gt-Pt)
与计算残差Errort对b的偏导类似,计算残差Errort对W的偏导的公式为:
最后,利用下述公式更新每层的参数:
其中,α为学习速率,可选地,α的值可以设置为0.98。
S304、循环执行S301-S303,直至执行次数达到预设次数。
上述前向传导与反向传播过程不断迭代直到迭代次数达到预设次数,即残差收敛。
可选地,可以根据训练集规模来设置迭代次数。
在上述实施例的基础上,本实施例涉及三维模型三角面片分类的具体过程,即,图6为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例四的流程示意图,如图6所示,上述步骤S106具体包括:
S401、对无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算。
S402、使用非线性函数对加权与偏置计算的结果进行激活,获取激活值。
S403、根据激活值进行分类概率求解。
图7为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例五的流程示意图,如图7所示,在对无类别标签的三维模型三角面片进行分类之后,还包括:
S501、确定无类别标签的三维模型的边界三角面片。
S502、根据无类别标签的三维模型三角面片的分类结果,以及所确定出的无类别标签的三维模型的边界三角面片,使用Fuzzycuts算法进行分类结果优化。
图8为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例一的模块结构图,如图8所示,该装置包括:
构建模块501,用于构建深度卷积神经网络特征学习模型,该深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层,其中,第一卷积层具有16个尺寸为5*5的卷积核,第一下采样层的缩放因子为2,第二卷积层具有16*20个尺寸为3*3的卷积核,第二下采样层的缩放因子为2。
第一重构模块502,用于对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取具有类别标签的三维模型三角面片对应的初始特征。
训练模块503,用于使用具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型。
第二重构模块504,用于对无类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取无类别标签的三维模型三角面片对应的初始特征。
第一确定模块505,用于根据训练后的深度卷积神经网络特征学习模型,以及无类别标签的三维模型三角面片对应的初始特征,确定无类别标签的三维模型三角面片对应的输出特征。
分类模块506,用于根据无类别标签的三维模型三角面片对应的输出特征对无类别标签的三维模型三角面片进行分类。
该装置用于实现前述方法实施例,其实现原理和技术效果类似,此处不再赘述。
图9为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例二的模块结构图,如图9所示,第一重构模块502包括:
计算单元5021,用于计算具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征。
聚类单元5022,用于根据具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征,使用K-means算法对具有类别标签的三维模型三角面片的每类特征分别进行聚类,获取K个聚类中心,其中,K为大于0的整数。
获取单元5023,用于将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换,并将变换后的k个新特征求和并除以k,获取具有类别标签的三维模型的每个三角面片的平均特征值。
确定单元5024,用于确定具有类别标签的三维模型的每个三角面片的邻居面片。
运算单元5025,用于将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算,将运算结果作为具有类别标签的三维模型三角面片对应的初始特征。
归一单元5026,用于对具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。
图10为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例三的模块结构图,如图10所示,训练模块503包括:
第一计算单元5031,用于将具有类别标签的三维模型三角面片对应的初始特征输入到深度卷积神经网络特征学习模型中,逐层计算,获取具有类别标签的三维模型的每个面片属于各类别的概率。
第二计算单元5032,用于将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算,获取残差。
第三计算单元5033,用于根据残差从深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导,并逐层更新每层的参数值。
图11为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例四的模块结构图,如图11所示,分类模块506包括:
第四计算单元5061,用于对无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算。
第五计算单元5062,用于使用非线性函数对加权与偏置计算的结果进行激活,获取激活值。
第六计算单元5063,用于根据激活值进行分类概率求解。
图12为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例五的模块结构图,如图12所示,该装置还包括:
第二确定模块507,用于确定无类别标签的三维模型的边界三角面片。
优化模块508,用于根据无类别标签的三维模型三角面片的分类结果,以及所确定出的无类别标签的三维模型的边界三角面片,使用Fuzzycuts算法进行分类结果优化。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于深度学习的三维模型三角面特征学习分类方法,其特征在于,包括:
构建深度卷积神经网络特征学习模型,所述深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层,其中,所述第一卷积层具有16个尺寸为5*5的卷积核,所述第一下采样层的缩放因子为2,所述第二卷积层具有16*20个尺寸为3*3的卷积核,所述第二下采样层的缩放因子为2;
对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述具有类别标签的三维模型三角面片对应的初始特征;
使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型;
对无类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述无类别标签的三维模型三角面片对应的初始特征;
根据所述训练后的深度卷积神经网络特征学习模型,以及所述无类别标签的三维模型三角面片对应的初始特征,确定所述无类别标签的三维模型三角面片对应的输出特征;
根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类。
2.根据权利要求1所述的方法,其特征在于,所述对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述具有类别标签的三维模型三角面片对应的初始特征,包括:
计算所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征;
根据所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征,使用K-means算法对所述具有类别标签的三维模型三角面片的每类特征分别进行聚类,获取K个聚类中心,其中,K为大于0的整数;
将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换,并将变换后的k个新特征求和并除以k,获取具有类别标签的三维模型的每个三角面片的平均特征值;
确定具有类别标签的三维模型的每个三角面片的邻居面片;
将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算,将运算结果作为所述具有类别标签的三维模型三角面片对应的初始特征;
对所述具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。
3.根据权利要求1所述的方法,其特征在于,所述使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型,包括:
A、将所述具有类别标签的三维模型三角面片对应的初始特征输入到所述深度卷积神经网络特征学习模型中,逐层计算,获取具有类别标签的三维模型的每个面片属于各类别的概率;
B、将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算,获取残差;
C、根据所述残差从所述深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导,并逐层更新每层的参数值;
D、循环执行A-C,直至执行次数达到预设次数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类,包括:
对所述无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算;
使用非线性函数对加权与偏置计算的结果进行激活,获取激活值;
根据所述激活值进行分类概率求解。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
确定无类别标签的三维模型的边界三角面片;
根据所述无类别标签的三维模型三角面片的分类结果,以及所确定出的无类别标签的三维模型的边界三角面片,使用Fuzzycuts算法进行分类结果优化。
6.一种基于深度学习的三维模型三角面特征学习分类装置,其特征在于,包括:
构建模块,用于构建深度卷积神经网络特征学习模型,所述深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层,其中,所述第一卷积层具有16个尺寸为5*5的卷积核,所述第一下采样层的缩放因子为2,所述第二卷积层具有16*20个尺寸为3*3的卷积核,所述第二下采样层的缩放因子为2;
第一重构模块,用于对具有类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述具有类别标签的三维模型三角面片对应的初始特征;
训练模块,用于使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型,获取训练后的深度卷积神经网络特征学习模型;
第二重构模块,用于对无类别标签的三维模型三角面片进行特征提取与特征向量构建,并使用词袋算法对所构建的特征向量中的特征进行重构,获取所述无类别标签的三维模型三角面片对应的初始特征;
第一确定模块,用于根据所述训练后的深度卷积神经网络特征学习模型,以及所述无类别标签的三维模型三角面片对应的初始特征,确定所述无类别标签的三维模型三角面片对应的输出特征;
分类模块,用于根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类。
7.根据权利要求6所述的装置,其特征在于,所述第一重构模块包括:
计算单元,用于计算所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征;
聚类单元,用于根据所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征,使用K-means算法对所述具有类别标签的三维模型三角面片的每类特征分别进行聚类,获取K个聚类中心,其中,K为大于0的整数;
获取单元,用于将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换,并将变换后的k个新特征求和并除以k,获取具有类别标签的三维模型的每个三角面片的平均特征值;
确定单元,用于确定具有类别标签的三维模型的每个三角面片的邻居面片;
运算单元,用于将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算,将运算结果作为所述具有类别标签的三维模型三角面片对应的初始特征;
归一单元,用于对所述具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。
8.根据权利要求6所述的装置,其特征在于,所述训练模块包括:
第一计算单元,用于将所述具有类别标签的三维模型三角面片对应的初始特征输入到所述深度卷积神经网络特征学习模型中,逐层计算,获取具有类别标签的三维模型的每个面片属于各类别的概率;
第二计算单元,用于将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算,获取残差;
第三计算单元,用于根据所述残差从所述深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导,并逐层更新每层的参数值。
9.根据权利要求6所述的装置,其特征在于,所述分类模块包括:
第四计算单元,用于对所述无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算;
第五计算单元,用于使用非线性函数对加权与偏置计算的结果进行激活,获取激活值;
第六计算单元,用于根据所述激活值进行分类概率求解。
10.根据权利要求6-9任一项所述的装置,其特征在于,还包括:
第二确定模块,用于确定无类别标签的三维模型的边界三角面片;
优化模块,用于根据所述无类别标签的三维模型三角面片的分类结果,以及所确定出的无类别标签的三维模型的边界三角面片,使用Fuzzycuts算法进行分类结果优化。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610889177.0A CN106529569B (zh) | 2016-10-11 | 2016-10-11 | 基于深度学习的三维模型三角面特征学习分类方法及装置 |
US15/439,896 US10049299B2 (en) | 2016-10-11 | 2017-02-22 | Deep learning based method and apparatus for three dimensional model triangular facet feature learning and classifying |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610889177.0A CN106529569B (zh) | 2016-10-11 | 2016-10-11 | 基于深度学习的三维模型三角面特征学习分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106529569A true CN106529569A (zh) | 2017-03-22 |
CN106529569B CN106529569B (zh) | 2019-10-18 |
Family
ID=58331524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610889177.0A Active CN106529569B (zh) | 2016-10-11 | 2016-10-11 | 基于深度学习的三维模型三角面特征学习分类方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10049299B2 (zh) |
CN (1) | CN106529569B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596329A (zh) * | 2018-05-11 | 2018-09-28 | 北方民族大学 | 基于端到端深度集成学习网络的三维模型分类方法 |
WO2018184194A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Methods and systems using improved convolutional neural networks for image processing |
CN108960015A (zh) * | 2017-05-24 | 2018-12-07 | 优信拍(北京)信息科技有限公司 | 一种基于深度学习的车系自动识别方法及装置 |
KR20190035146A (ko) * | 2017-09-26 | 2019-04-03 | 상명대학교산학협력단 | 3d 모델 깊이 이미지를 이용한 딥러닝 기반의 3d 모델 저작권 침해 판단 방법 |
CN109685968A (zh) * | 2018-12-15 | 2019-04-26 | 西安建筑科技大学 | 一种基于卷积神经网络的纸币图像缺陷的识别模型构建以及识别方法 |
CN110119772A (zh) * | 2019-05-06 | 2019-08-13 | 哈尔滨理工大学 | 一种基于几何形状特征融合的三维模型分类方法 |
CN110400370A (zh) * | 2019-07-17 | 2019-11-01 | 北京航空航天大学 | 一种构建三维cad模型的语义级部件模板的方法 |
CN110704653A (zh) * | 2019-09-09 | 2020-01-17 | 上海慧之建建设顾问有限公司 | 一种bim模型中以图搜索构件的方法及图文搜索系统 |
CN111325830A (zh) * | 2020-02-28 | 2020-06-23 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111819604A (zh) * | 2018-03-14 | 2020-10-23 | 惠普发展公司,有限责任合伙企业 | 三维模型类别 |
CN112843704A (zh) * | 2021-03-12 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 动画模型处理方法、装置、设备及存储介质 |
CN114915800A (zh) * | 2021-12-07 | 2022-08-16 | 天翼数字生活科技有限公司 | Iptv家庭用户年龄及性别分布预测系统和方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529569B (zh) * | 2016-10-11 | 2019-10-18 | 北京航空航天大学 | 基于深度学习的三维模型三角面特征学习分类方法及装置 |
CN109033144B (zh) * | 2018-06-11 | 2021-10-22 | 厦门大学 | 基于草图的三维模型检索方法 |
WO2020024093A1 (en) * | 2018-07-30 | 2020-02-06 | Intel Corporation | Method and apparatus for keeping statistical inference accuracy with 8-bit winograd convolution |
CN110309696A (zh) * | 2018-12-19 | 2019-10-08 | 北京同方软件有限公司 | 基于深度学习及多聚类中心损失函数的摊贩物品分类方法 |
US10706286B1 (en) * | 2019-09-05 | 2020-07-07 | Alphonso Inc. | 3D convolutional neural networks for television advertisement detection |
US11068752B2 (en) * | 2019-10-31 | 2021-07-20 | General Electric Company | Inspection systems and methods including image classification module |
CN112070105B (zh) * | 2020-07-14 | 2023-07-11 | 辽宁师范大学 | 基于双通道卷积神经网络学习的非刚性三维模型分类方法 |
CN112633394B (zh) * | 2020-12-29 | 2022-12-16 | 厦门市美亚柏科信息股份有限公司 | 一种智能用户标签确定方法、终端设备及存储介质 |
CN116105632B (zh) * | 2023-04-12 | 2023-06-23 | 四川大学 | 一种结构光三维成像的自监督相位展开方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268635A (zh) * | 2013-05-15 | 2013-08-28 | 北京交通大学 | 一种几何网格场景模型的分割及语义标注方法 |
CN103578136A (zh) * | 2013-11-27 | 2014-02-12 | 苏州大学张家港工业技术研究院 | 三维模型的简化方法及装置 |
CN104680508A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 卷积神经网络和基于卷积神经网络的目标物体检测方法 |
CN104966104A (zh) * | 2015-06-30 | 2015-10-07 | 孙建德 | 一种基于三维卷积神经网络的视频分类方法 |
US20180101752A1 (en) * | 2016-10-11 | 2018-04-12 | Beihang Univesity | Deep learning based method and apparatus for three dimensional model triangular facet feature learning and classifying |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7617163B2 (en) * | 1998-05-01 | 2009-11-10 | Health Discovery Corporation | Kernels and kernel methods for spectral data |
US8015125B2 (en) * | 2006-08-31 | 2011-09-06 | Drexel University | Multi-scale segmentation and partial matching 3D models |
WO2008130907A1 (en) * | 2007-04-17 | 2008-10-30 | Mikos, Ltd. | System and method for using three dimensional infrared imaging to identify individuals |
US9424492B2 (en) * | 2013-12-27 | 2016-08-23 | Xerox Corporation | Weighting scheme for pooling image descriptors |
US9697439B2 (en) * | 2014-10-02 | 2017-07-04 | Xerox Corporation | Efficient object detection with patch-level window processing |
-
2016
- 2016-10-11 CN CN201610889177.0A patent/CN106529569B/zh active Active
-
2017
- 2017-02-22 US US15/439,896 patent/US10049299B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268635A (zh) * | 2013-05-15 | 2013-08-28 | 北京交通大学 | 一种几何网格场景模型的分割及语义标注方法 |
CN103578136A (zh) * | 2013-11-27 | 2014-02-12 | 苏州大学张家港工业技术研究院 | 三维模型的简化方法及装置 |
CN104680508A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 卷积神经网络和基于卷积神经网络的目标物体检测方法 |
CN104966104A (zh) * | 2015-06-30 | 2015-10-07 | 孙建德 | 一种基于三维卷积神经网络的视频分类方法 |
US20180101752A1 (en) * | 2016-10-11 | 2018-04-12 | Beihang Univesity | Deep learning based method and apparatus for three dimensional model triangular facet feature learning and classifying |
Non-Patent Citations (2)
Title |
---|
KAN GUO: ""Geometric Based Structure Propagation and Texture Matching for 3D Texture Completion"", 《2013 INTERNATIONAL CONFERENCE ON VIRTUAL REALITY AND VISUALIZATION》 * |
谢智歌等: ""基于卷积-自动编码机的三维形状特征学习"", 《计算机辅助设计与图形学学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11107189B2 (en) | 2017-04-07 | 2021-08-31 | Intel Corporation | Methods and systems using improved convolutional neural networks for image processing |
WO2018184194A1 (en) * | 2017-04-07 | 2018-10-11 | Intel Corporation | Methods and systems using improved convolutional neural networks for image processing |
CN108960015A (zh) * | 2017-05-24 | 2018-12-07 | 优信拍(北京)信息科技有限公司 | 一种基于深度学习的车系自动识别方法及装置 |
KR20190035146A (ko) * | 2017-09-26 | 2019-04-03 | 상명대학교산학협력단 | 3d 모델 깊이 이미지를 이용한 딥러닝 기반의 3d 모델 저작권 침해 판단 방법 |
KR102027880B1 (ko) * | 2017-09-26 | 2019-10-02 | 상명대학교산학협력단 | 3d 모델 깊이 이미지를 이용한 딥러닝 기반의 3d 모델 유사성 판단 방법 |
CN111819604A (zh) * | 2018-03-14 | 2020-10-23 | 惠普发展公司,有限责任合伙企业 | 三维模型类别 |
CN108596329A (zh) * | 2018-05-11 | 2018-09-28 | 北方民族大学 | 基于端到端深度集成学习网络的三维模型分类方法 |
CN108596329B (zh) * | 2018-05-11 | 2020-08-07 | 北方民族大学 | 基于端到端深度集成学习网络的三维模型分类方法 |
CN109685968A (zh) * | 2018-12-15 | 2019-04-26 | 西安建筑科技大学 | 一种基于卷积神经网络的纸币图像缺陷的识别模型构建以及识别方法 |
CN110119772A (zh) * | 2019-05-06 | 2019-08-13 | 哈尔滨理工大学 | 一种基于几何形状特征融合的三维模型分类方法 |
CN110119772B (zh) * | 2019-05-06 | 2022-05-03 | 哈尔滨理工大学 | 一种基于几何形状特征融合的三维模型分类方法 |
CN110400370A (zh) * | 2019-07-17 | 2019-11-01 | 北京航空航天大学 | 一种构建三维cad模型的语义级部件模板的方法 |
CN110704653A (zh) * | 2019-09-09 | 2020-01-17 | 上海慧之建建设顾问有限公司 | 一种bim模型中以图搜索构件的方法及图文搜索系统 |
CN111325830A (zh) * | 2020-02-28 | 2020-06-23 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111325830B (zh) * | 2020-02-28 | 2023-01-31 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN112843704A (zh) * | 2021-03-12 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 动画模型处理方法、装置、设备及存储介质 |
CN112843704B (zh) * | 2021-03-12 | 2022-07-29 | 腾讯科技(深圳)有限公司 | 动画模型处理方法、装置、设备及存储介质 |
CN114915800A (zh) * | 2021-12-07 | 2022-08-16 | 天翼数字生活科技有限公司 | Iptv家庭用户年龄及性别分布预测系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106529569B (zh) | 2019-10-18 |
US20180101752A1 (en) | 2018-04-12 |
US10049299B2 (en) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529569B (zh) | 基于深度学习的三维模型三角面特征学习分类方法及装置 | |
CN105512289B (zh) | 基于深度学习和哈希的图像检索方法 | |
Jafarnezhad et al. | Subjectivity versus objectivity: comparative study between brute force method and genetic algorithm for calibrating the SLEUTH urban growth model | |
Javed et al. | Multiplex cellular communities in multi-gigapixel colorectal cancer histology images for tissue phenotyping | |
CN107622272A (zh) | 一种图像分类方法及装置 | |
CN104392253B (zh) | 一种草图数据集的交互式类别标注方法 | |
CN105160400A (zh) | 基于l21范数的提升卷积神经网络泛化能力的方法 | |
CN104103093B (zh) | 一种基于深度卷积神经网络的三维网格语义标记方法 | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
CN107403188A (zh) | 一种水质评价方法及装置 | |
Venturelli et al. | A Kriging-assisted multiobjective evolutionary algorithm | |
CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、系统及介质 | |
CN109472352A (zh) | 一种基于特征图统计特征的深度神经网络模型裁剪方法 | |
CN103971136A (zh) | 一种面向大规模数据的并行结构化支持向量机分类方法 | |
CN110349159A (zh) | 基于权重能量自适应分布的三维形状分割方法及系统 | |
CN110263808B (zh) | 一种基于lstm网络和注意力机制的图像情感分类方法 | |
Tyagi et al. | LCSCNet: A multi-level approach for lung cancer stage classification using 3D dense convolutional neural networks with concurrent squeeze-and-excitation module | |
Afzal et al. | Discriminative feature abstraction by deep L2 hypersphere embedding for 3D mesh CNNs | |
Patel et al. | Smart adaptive mesh refinement with NEMoSys | |
Chen et al. | Semi-supervised dual-branch network for image classification | |
Zhong et al. | An improved differential evolution algorithm based on basis vector type and its application in fringe projection 3D imaging | |
Mustafa et al. | Evaluating convolution neural network optimization algorithms for classification of cervical cancer macro images | |
Yang et al. | Predictor selection for CNN-based statistical downscaling of monthly precipitation | |
CN111353525A (zh) | 一种不均衡不完整数据集的建模及缺失值填补方法 | |
US20230020112A1 (en) | Relating complex data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |