发明内容
本发明要解决的技术问题是:提供一种准确度高的三维模型分类以及检索方法。
本发明解决其技术问题的解决方案是:
一种三维模型分类方法,包括以下步骤:
步骤1,建立神经网络模型;
步骤2,利用模板三维模型数据集,生成训练数据集;
步骤3,将所述训练数据集输入到神经网络模型中,完成神经网络模型的训练;
步骤4,将待测三维模型输入到神经网络模型中,神经网络模型输出所述待测三维模型的分类结果;
步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块,视图池化层以及全连接层,所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体,所述结构体包括依次相连的批标准化层、激活函数层以及卷积层,第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连,所述第一卷积神经网络模块设有若干个,若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连,所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连,第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。
作为上述技术方案的进一步改进,所述步骤2具体包括以下步骤:
步骤2.1,通过投影转换将模板三维模型转换成二维的模板视觉视图;
步骤2.2,对所述模板视觉视图进行均值滤波处理;
步骤2.3,根据模板三维模型,赋予所对应的模板视觉视图一个标签,一个模板视觉视图及其对应的标签即为一个训练数据。
作为上述技术方案的进一步改进,所述步骤2.1中,所述模板视觉视图包括红外光图像以及自然光图像,所述神经网络模型第一卷积神经网络模块设有两个。
作为上述技术方案的进一步改进,所述步骤3具体包括以下步骤:
步骤3.1,随机初始化所述神经网络模型;
步骤3.2,将训练数据分批输入到神经网络模型中进行训练;
步骤3.3,令训练数据依次经过神经网络模型的各层处理,提取训练数据的特征,所述训练数据的特征作为模板三维模型的模型描述符,与所设置的标签进行对比;
步骤3.4,根据对比所得到的结果,修正神经网络模型各层的参数。
作为上述技术方案的进一步改进,所述步骤4具体包括以下步骤:
步骤4.1,将通过投影转换将待测三维模型转换成二维的待测视觉视图;
步骤4.2,对所述待测视觉视图进行均值滤波处理;
步骤4.3,将待测视觉视图输入到神经网络模型中,所述神经网络模型输出待测视觉视图的特征,所述待测视觉视图的特征作为待测三维模型的模型描述符,所述模型描述符即可作为待测三维模型的分类结果。
作为上述技术方案的进一步改进,所述神经网络模型中所述第一卷积神经网络模块中的结构体设置有5个,所述第二卷积神经网络模块的结构体设置有3个。
本发明的有益效果是:本发明通过多个模板三维模型完成神经网络模型的训练操作,再利用神经网络模型对待测三维模型进行分类操作,其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连,增加了每一个结构体的输入,能够有效地提高神经网络模型处理数据的准确性,进而提高本方法的待测三维模型的分类准确度。
本发明同时还公开了一种三维模型检索方法,包括上述所述的三维模型分类方法的所有步骤,在步骤4之后还包括:
步骤5,分别计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离;
步骤6,比较得到的多个欧氏距离的大小,最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。
本发明的有益效果是:本发明通过多个模板三维模型完成神经网络模型的训练操作,再利用神经网络模型对待测三维模型进行分类操作,其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连,增加了每一个结构体的输入,能够有效地提高神经网络模型处理数据的准确性,进而提高本方法的待测三维模型的分类准确度,之后再根据待测三维模型与模板三维模型的欧氏距离大小以识别待测三维模型的检索结果,提高检索的准确性。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、特征和效果。显然,所描述的实施例只是本发明的一部分实施例,而不是全部实施例,基于本发明的实施例,本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例,均属于本发明保护的范围。
参照图1和图2,本发明创造公开了一种三维模型分类方法,包括以下步骤:
步骤1,建立神经网络模型;
步骤2,利用模板三维模型数据集,生成训练数据集;
步骤3,将所述训练数据集输入到神经网络模型中,完成神经网络模型的训练;
步骤4,将待测三维模型输入到神经网络模型中,神经网络模型输出所述待测三维模型的分类结果;
步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块,视图池化层以及全连接层,所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体,所述结构体包括依次相连的批标准化层、激活函数层以及卷积层,第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连,所述第一卷积神经网络模块设有若干个,若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连,所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连,第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。其中第一卷积神经网络模块用于单独提取视图的特征,视图池化层用于进行多维度的特征融合。
批标准化层是对训练数据随机批量处理的一种归一化层,批标准化层首先是将训练数据归一化到均值为0,方差为1的随机分布空间内,其目的一是使训练数据与测试数据以及各批训练数据的分布大致相同,减少参数的变化次数;二是对于激活函数的输入,数据分布在零附近,可以防止梯度弥散。本发明创造具体实施方式中,批标准化层的数学模型如下所示:
其中x(k)表示一批训练数据,E[x(k)]表示一批训练数据的均值,Var[x(k)]表示一批训练数据的方差。
本发明具体实施方式中,所述激活函数层中激活函数的表达式如下所示:
本发明具体实施方式中,所述卷积层数学模型表达式如下所示:
其中I表示一个二维图像,K表示二维的核函数,i和j分别表示二维图像的行和列,m和n分别表示二维图像行和列的步长。
针对卷积神经网络模型的全连接层,经过卷积层和视图池化层后,连接着1个或1个以上的全连接层,全连接层中的每个神经元与其前一层的所有神经元进行全连接,全连接层可以整合卷积层或者视图池化层中具有类别区分性的局部信息,为了提升卷积神经网络性能,全连接层每个神经元的激励函数一般采用ReLU函数。最后一层全连接层的输出值被传递给一个输出,可以采用softmax逻辑回归进行分类,该层也可称为softmax层,本发明创造中softmax表达式如下所示:
S
j表示softmax表达式的输出向量S的第j个值,S
j表示一个样本属于第j个类别的概率,T表示类别数。对于一个具体的分类任务,选择一个合适的损失函数是十分重要的,本发明具体实施方式中,该损失函数表达式如下所示:L=-log S
j,其中L表示损失值,神经网络模型训练过程中将得到的损失值L反馈到神经网络模型的各层上,已修改神经网络模型的各层参数。
具体地,本发明通过多个模板三维模型完成神经网络模型的训练操作,再利用神经网络模型对待测三维模型进行分类操作,其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连,增加了每一个结构体的输入,能够有效地提高神经网络模型处理数据的准确性,进而提高本方法的待测三维模型的分类准确度。
进一步作为优选的实施方式,本发明创造具体实施方式中,所述步骤2具体包括以下步骤:
步骤2.1,通过投影转换将模板三维模型转换成二维的模板视觉视图;
步骤2.2,对所述模板视觉视图进行均值滤波处理;
步骤2.3,根据模板三维模型,赋予所对应的模板视觉视图一个标签,一个模板视觉视图及其对应的标签即为一个训练数据。
进一步作为优选的实施方式,本发明创造具体实施方式中,所述步骤2.1中,所述模板视觉视图包括红外光图像以及自然光图像,所述神经网络模型第一卷积神经网络模块设有两个。
进一步作为优选的实施方式,本发明创造具体实施方式中,所述步骤3具体包括以下步骤:
步骤3.1,随机初始化所述神经网络模型;
步骤3.2,将训练数据分批输入到神经网络模型中进行训练;
步骤3.3,令训练数据依次经过神经网络模型的各层处理,提取训练数据的特征,所述训练数据的特征作为模板三维模型的模型描述符,与所设置的标签进行对比;
步骤3.4,根据对比所得到的结果,修正神经网络模型各层的参数。
进一步作为优选的实施方式,本发明创造具体实施方式中,所述步骤4具体包括以下步骤:
步骤4.1,将通过投影转换将待测三维模型转换成二维的待测视觉视图;
步骤4.2,对所述待测视觉视图进行均值滤波处理;
步骤4.3,将待测视觉视图输入到神经网络模型中,所述神经网络模型输出待测视觉视图的特征,所述待测视觉视图的特征作为待测三维模型的模型描述符,所述模型描述符即可作为待测三维模型的分类结果。
进一步作为优选的实施方式,本发明创造具体实施方式中,所述神经网络模型中所述第一卷积神经网络模块中的结构体设置有5个,所述第二卷积神经网络模块的结构体设置有3个。经多次实验,发现若第一卷积神经网络模块中的结构体的数量以及第二卷积神经网络模块的结构体的数量设置过多时,容易产生过拟合,过少时容易产生欠拟合,两种情况均会导致神经网络模型分类的准确率降低。
参照图1和图3,本申请同时还公开了一种三维模型检索方法,包括上述所述的三维模型分类方法的所有步骤,在步骤4之后还包括:
步骤5,分别计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离;
步骤6,比较得到的多个欧氏距离的大小,最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。
所述三维模型检索方法在三维模型分类方法上进行改进,简单的说分类方法相当于识别某个样本是属于哪个大类,而检索方法相当于识别某个样本是属于该大类中的具体哪个小类。
具体地,本发明通过多个模板三维模型完成神经网络模型的训练操作,再利用神经网络模型对待测三维模型进行分类操作,其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连,增加了每一个结构体的输入,能够有效地提高神经网络模型处理数据的准确性,进而提高本方法的待测三维模型的分类准确度,之后再根据待测三维模型与模板三维模型的欧氏距离大小以识别待测三维模型的检索结果,提高检索的准确性。
以上对本发明的较佳实施方式进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。