CN112767405A - 一种基于图注意力网络的三维网格模型分割方法及系统 - Google Patents

一种基于图注意力网络的三维网格模型分割方法及系统 Download PDF

Info

Publication number
CN112767405A
CN112767405A CN202110065941.3A CN202110065941A CN112767405A CN 112767405 A CN112767405 A CN 112767405A CN 202110065941 A CN202110065941 A CN 202110065941A CN 112767405 A CN112767405 A CN 112767405A
Authority
CN
China
Prior art keywords
level feature
feature matrix
segmentation
encoder
decoder
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.)
Withdrawn
Application number
CN202110065941.3A
Other languages
English (en)
Inventor
李海生
曹国梁
吴晓群
李楠
蔡强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN202110065941.3A priority Critical patent/CN112767405A/zh
Publication of CN112767405A publication Critical patent/CN112767405A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于图注意力网络的三维网格模型分割方法及系统，其方法包括：S1：根据三维网格模型的顶点几何信息，构建其低层特征矩阵；S2：构建特征编码器和解码器模型进行训练，得到训练好的编码器和解码器；S3：将低层特征矩阵输入训练好的编码器，得到高层特征矩阵；S4：根据三维网格模型的顶点和边构建图结构，及其注意力网络，对高层特征矩阵进行优化；S5：根据预设的子分割网格个数，将优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割。本发明公开的方法，基于图的深度学习来完成三维网格分割任务。本发明的特征编码器和解码器模型,基于图的注意力网络，在各种场景中可以减少过分割的情况。

Description

一种基于图注意力网络的三维网格模型分割方法及系统
技术领域
本发明涉及三维网格处理领域，具体涉及一种基于图注意力深度学习模型和无监督学习的三维网格处理方法的分割方法及系统。
背景技术
在当前日新月异的数字化时代，将图形蕴藏并展示出来成为计算机图形学的发展动力。随着计算机技术、计算机辅助设计技术的发展，在工程制图、视频游戏、科学研究和生物医学等领域中三维模型的数量呈爆炸式增长。三维模型的优点是更加贴近现实世界，在不同的领域、不同的应用场景下都显示出其直观、高效的特点。也正是因为这些原因，三维模型的应用和处理成为目前的重要问题。
网格模型分割任务属于三维网格处理领域，传统的网格分割任务，主要是利用网格的基础属性来完成分割任务，包括：根据不同的三维网格特征采取不同的分割约束，具体的：一部分利用网格的基础属性，例如分割后子网格的个数是否平均，一部分使用网格的几何特征，如面积、中心轴周长、凸度等，还有一部分利用网格的拓扑属性，将图论知识引入当前问题，如限定同胚于圆盘等。但总体来说这些方法往往聚焦于网格的一部分特征，并不能对网格分割线的选取起到决定性的作用。而且网格分割方法因其所在三维空间计算理论艰深、几何度量困难以及传统算法效率的桎梏成为模型处理一大难题。
因此，如何更高效地对三维网格进行分割，成为一个亟待解决的问题。
发明内容
为了解决上述技术问题，本发明提供一种基于图注意力网络的三维网格模型分割方法及系统。
本发明技术解决方案为：一种基于图注意力网络的三维网格模型分割方法，包括：
步骤S1：根据输入的三维网格模型的顶点几何信息，构建每个所述顶点的低层特征矩阵；
步骤S2：构建特征编码器和解码器模型，将所述低层特征矩阵输入所述特征编码器和解码器模型进行训练，得到训练好的编码器和解码器；
步骤S3：将所述低层特征矩阵输入训练好的所述编码器，得到高层特征矩阵；
步骤S4：根据所述三维网格模型的顶点和边构建图结构，根据所述图结构及其注意力网络，对所述高层特征矩阵进行优化，得到优化的高层特征矩阵；
步骤S5：根据预设的子分割网格个数，将所述优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割。
本发明与现有技术相比，具有以下优点：
1、本发明公开了一种基于图注意力网络的三维网格模型分割，基于图的深度学习理论知识来完成三维网格处理领域的三维网格分割任务，相较于传统的三维网格分割方法是完全从另一个角度对带有几何信息三角网格进行分割的一种尝试。且在实际应用中获得了一定效果。
2、本发明所构建的特征编码器和解码器模型，已经在大量的无监督任务中得到检验，基于图的注意力网络在其各种应用场景中也有较好的效果，可以减少过分割的情况，减少后续的工作量。
3、本发明使用了无监督学习的方式，一方面克服了三维网格本身没有信息标注的缺陷，可以从大量的无标注几何信息学习到更多特征。另一方面也解决了监督学习在数据量不足的情况下容易出现的过拟合现象。
附图说明
图1为本发明实施例中一种基于图注意力网络的三维网格模型分割方法的流程图；
图2为本发明实施例中一种基于图注意力网络的三维网格模型分割方法中的步骤S1中构建每个顶点的低层特征矩阵的流程图；
图3为本发明实施例中一种基于图注意力网络的三维网格模型分割方法中的步骤S2中将低层特征矩阵输入特征编码器和解码器模型进行训练的流程图；
图4为本发明实施例中特征编码器和解码器模型的结构图；
图5为本发明实施例中一种基于图注意力网络的三维网格模型分割方法中的步骤S4：根据三维网格模型的顶点和边构建图结构，根据图结构以及注意力网络，对高层特征矩阵进行优化，得到优化的高层特征矩阵的流程图；
图6为本发明实施例中一种基于图注意力网络的三维网格模型分割方法中的步骤S5：根据预设的子分割网格个数，将优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割的流程图；
图7为本发明实施例中基于图的注意力网络的结构图；
图8本发明实施例中一种基于图注意力网络的三维网格模型分割系统的结构框图。
具体实施方式
本发明提供了一种基于图注意力网络的三维网格模型分割方法及系统。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种基于图注意力网络的三维网格模型分割方法，包括下述步骤：
步骤S1：根据输入的具有n个顶点的三维网格模型的顶点几何信息，构建每个顶点的低层特征矩阵；
步骤S2：构建特征编码器和解码器模型，将低层特征矩阵输入特征编码器和解码器模型进行训练，得到训练好的编码器和解码器；
步骤S3：将低层特征矩阵输入训练好的编码器，得到高层特征矩阵；
步骤S4：根据三维网格模型的顶点和边构建图结构，根据图结构以及注意力网络，对高层特征矩阵进行优化，得到优化的高层特征矩阵；
步骤S5：根据预设的子分割网格个数，将优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割。
如图2所示，在一个实施例中，上述步骤S1中构建每个顶点的低层特征矩阵；以顶点vi的几何信息为基础，提取5类低层网格特征，具体包括下述步骤：
步骤S11：计算形状直径函数SDF；
构建以任意三维网格模型的顶点为圆锥顶点、顶点法向量的逆方向为中心线方向的圆锥体。从该顶点上引出若干条圆锥体范围内的射线交于三维网格模型的表面网格，并保留与相交点法线方向相同(夹角小于90°)的射线。对所有射线的长度进行加权统计，即可得到形状直径函数SDF值。
步骤S12：计算平均测地距离AGD；
计算三维网格模型的任一顶点到其他所有顶点的测地距离的平均值。
步骤S13：计算共形因子CF；
通过在三维网格模型的曲面上定义一个如下述公式(1)的正标量函数来实现，这个函数被称作放缩函数φ即为共形因子CF。
Lφ＝KT-Korig (1)
其中，L为拉普拉斯-贝尔特拉米算子，KT是目标高斯曲率，Korig是三维网格模型的高斯曲率。
步骤S14：计算尺度不变的热核特征SIHKS；
对于三维形状上的每个点，HKS定义了它用于表示点的局部和全局属性的特征向量。
步骤S15：计算谱图小波特征SGWS；
谱图小波特征是一个多解的局部特征描述符，对于一个给定的核函数g，则函数f的谱图小波系数定义如下述公式(2)以及缩放函数定义为如下述公式(3):
Figure BDA0002903031530000041
Figure BDA0002903031530000042
其中，ψt,j是位于顶点j和尺度t的谱图小波，δj的傅里叶变换通过下述公式(4)得出；
Figure BDA0002903031530000044
步骤S16：将上述顶点vi的几何特征组合成k维低层特征向量xi，组成n×k维低层特征矩阵X＝[x1,x2,…,xn]T。
如图3和图4所示，在一个实施例中，上述步骤S2中特征编码器和解码器模型包含输入层、隐含层和输出层，其间构建编码器E与解码器De；
其中，步骤S2中将低层特征矩阵输入特征编码器和解码器模型进行训练，具体包括：
步骤S21：将低层特征矩阵X＝[x1,x2,…,xn]T输入特征编码器和解码器模型中的输入层，编码器E通过下述映射函数(5)，将其投影到隐含层，输出隐含层向量R＝[r1,r2,…,rn]T；
R＝f(X)＝sf(W1X+b) (5)；
其中，W1是k×k'权重矩阵；b∈Rk'是偏差向量；激活函数sf为sigmoid函数：
Figure BDA0002903031530000043
步骤S22：解码器De通过下述映射函数(6)，将隐含层向量R＝[r1,r2,…,rn]T投影到输出层，得到输出向量H＝[h1,h2,…,hn]T:
Figure BDA0002903031530000051
其中,W2是k'×k权重矩阵，
Figure BDA0002903031530000052
是偏差向量，激活函数sf为ReLU函数：
ReLU(x)＝max(x,0)；
步骤S23：利用如下述公式(7)的损失函数，通过梯度下降反向训练特征编码器和解码器模型，直到特征编码器和解码器模型收敛或者计算资源耗尽时，训练结束，得到训练好的编码器E和解码器De；
Figure BDA0002903031530000053
其中，xij是输入向量，hij是输出向量，n是层数；
此时，得到训练好的编码器E和解码器De，用于后续的步骤。
在一个实施例中，上述步骤S3将低层特征矩阵输入训练好的编码器，得到高层特征矩阵，具体包括：
将所述低层特征矩阵X＝[x1,x2,…,xn]T输入训练好的编码器E，得到高层特征矩阵P＝[p1,p2,…,pn]T。
如图5所示，在一个实施例中，上述步骤S4：根据三维网格模型的顶点和边构建图结构，根据图结构以及注意力网络，对高层特征矩阵进行优化，得到优化的高层特征矩阵，具体包括：
步骤S41：根据三维网格模型顶点和边为元素，构建图结构G＝(V,E)；
其中，G包含n个节点V，所述节点V表示对应三维网格模型顶点的k'维高层特征向量p；G的边集合E表示边与三维网格模型的顶点存在相连关系，相邻顶点之间通过边构成一阶邻域；
步骤S42：构建如下述公式(8)的n×n邻接矩阵A[i][j]，判断节点之间是否邻接，邻接矩阵中对应位置元素为αij，若节点存在邻接关系，则αij为1，否则为0；
Figure BDA0002903031530000054
步骤S43：根据邻接矩阵，若节点j和节点i邻接，则利用注意力网络，如下述公式(9)计算节点j对于节点i的重要性权重；
Figure BDA0002903031530000061
其中，pi为节点i的高层特征向量，LeakyReLU为激活函数。
步骤S44：利用注意力权重更新节点i的高层特征向量，得到优化的高层特征向量
Figure BDA0002903031530000062
其中，σ为激活函数ReLU(x)＝max(x,0)；
将优化的高层特征向量组合成n×k'维优化的高层特征矩阵U＝[u1,u2,…,un]T。
如图6和图7所示，在一个实施例中，上述步骤S5：根据预设的子分割网格个数，将优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割，包括：
步骤S51：将优化的高层特征矩阵U＝[u1,u2,…,un]T输入解码器De，得到目标特征矩阵T＝[t1,t2,…,tn]T；
其中，ti为k维特征向量；
步骤S52：随机选取图结构G＝<V,E>中m个节点C＝{c1,c2,...,ci,...,cm}作为初始聚类中心，其特征向量为T'＝[t1,t2,…,ti,…,tm]T；
其中，m为预设的子分割网格个数；
步骤S53：通过下述公式(10)，计算初始聚类中心的邻域内其余节点j特征向量tj与每一个初始聚类中心C＝{c1,c2,...,ci,...,cm}的特征向量T'＝[t1,t2,…,ti,…,tm]T间的余弦相似度，以及通过下述公式(11)计算余弦距离；
Figure BDA0002903031530000063
dist(j,i)＝1-cos(tj,ti) (11)
其中，dist(j,i)的取值在0到2之间。
步骤S54：将余弦距离dist(j,i)值最小的节点j归类至节点i所属类中；
步骤S55：对每一个类通过下述公式(12)，重新计算其聚类中心；
Figure BDA0002903031530000064
步骤S56：重复S54至S56，直到聚类中心不再发生变化；
步骤S57：根据图中m类节点，从而得到m个子分割网格，实现对三维网格模型的分割。
本发明所构建的特征编码器和解码器模型，其中编码器E用于多特征融合，解码器De用于数据降维。已经在大量的无监督任务中得到检验，基于图的注意力网络在其各种应用场景中也有较好的效果，可以减少过分割的情况，减少后续的工作量。
本发明使用了无监督学习的方式，一方面克服了三维网格本身没有信息标注的缺陷，可以从大量的无标注几何信息学习到更多特征。另一方面也解决了监督学习在数据量不足的情况下容易出现的过拟合现象。
本发明公开的一种基于图注意力网络的三维网格模型分割，基于图的深度学习理论知识来完成三维网格处理领域的三维网格分割任务，相较于传统的三维网格分割方法是完全从另一个角度对带有几何信息三角网格进行分割的一种尝试。且在实际应用中获得了一定效果。
实施例二
如图8所示，本发明实施例提供了一种基于图注意力网络的三维网格模型分割系统，包括下述模块：
构建低层特征矩阵模块51，用于根据输入的三维网格模型的顶点几何信息，构建每个顶点的低层特征矩阵；
训练特征编码器和解码器模型模块52，用于构建特征编码器和解码器模型，将低层特征矩阵输入特征编码器和解码器进行训练，其中，特征编码器和解码器模型包括编码器和解码器；
构建高层特征矩阵模块53，用于将低层特征矩阵输入训练好的编码器，得到高层特征矩阵；
优化高层特征矩阵模块54，用于根据三维网格模型的顶点和边构建图结构，根据图结构及其注意力网络，对高层特征矩阵进行优化，得到优化的高层特征矩阵；
分割子网络模块55，用于根据预设的子分割网格个数，将优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (7)

1.一种基于图注意力网络的三维网格模型分割方法，其特征在于，包括：
步骤S1：根据输入的三维网格模型的顶点几何信息，构建每个所述顶点的低层特征矩阵；
步骤S2：构建特征编码器和解码器模型；将所述低层特征矩阵输入所述特征编码器和解码器模型进行训练，得到训练好的编码器和解码器；
步骤S3：将所述低层特征矩阵输入所述训练好的编码器，得到高层特征矩阵；
步骤S4：根据所述三维网格模型的顶点和边构建图结构，根据所述图结构及其注意力网络，对所述高层特征矩阵进行优化，得到优化的高层特征矩阵；
步骤S5：根据预设的子分割网格个数，将所述优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割。
2.根据权利要求1所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S1：构建每个所述顶点的低层特征矩阵，包括：
步骤S11：计算形状直径函数；
步骤S12：计算平均测地距离；
步骤S13：计算共形因子；
步骤S14：计算尺度不变的热核特征；
步骤S15：计算谱图小波特征；
步骤S16：将上述顶点的几何特征组合成k维低层特征向量xi，进而组成n×k维低层特征矩阵X＝[x1,x2,…,xn]T。
3.根据权利要求2所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S2中所述特征编码器和解码器模型包含输入层、隐含层和输出层；
其中，步骤S2中将所述低层特征矩阵输入所述特征编码器和解码器模型进行训练，包括：
步骤S21：将所述低层特征矩阵X＝[x1,x2,…,xn]T输入所述输入层，编码器E通过下述映射函数(5)，将其投影到所述隐含层，输出隐含层向量R＝[r1,r2,…,rn]T；
R＝f(X)＝sf(W1X+b) (5)；
其中，W1是k×k'权重矩阵；b∈Rk′是偏差向量；激活函数sf为sigmoid函数：
Figure FDA0002903031520000021
步骤S22：解码器De通过下述映射函数(6)，将所述隐含层向量R＝[r1,r2,…,rn]T投影到所述输出层，得到输出向量H＝[h1,h2,…,hn]T:
Figure FDA0002903031520000022
其中,W2是k'×k权重矩阵，
Figure FDA0002903031520000023
是偏差向量，激活函数sf为ReLU函数：ReLU(x)＝max(x,0)；
步骤S23：通过如下述公式(7)的损失函数，反向训练所述特征编码器和解码器模型，直到所述特征编码器和解码器模型收敛或者计算资源耗尽时，训练结束，得到训练好的编码器E和解码器De；
Figure FDA0002903031520000024
其中，xij是输入向量，hij是输出向量，n是层数。
4.根据权利要求1所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S3：将所述低层特征矩阵输入训练好的所述编码器，得到高层特征矩阵，具体包括：
将所述低层特征矩阵X＝[x1,x2,…,xn]T输入训练好的所述编码器E，得到高层特征矩阵P＝[p1,p2,…,pn]T。
5.根据权利要求3所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S4：根据所述三维网格模型的顶点和边构建图结构，根据所述图结构及其注意力网络，对所述高层特征矩阵进行优化，得到优化的高层特征矩阵，包括：
步骤S41：根据所述三维网格模型顶点和边为元素，构建图结构G＝(V,E)；
其中，G包含n个节点V，所述节点V表示对应所述三维网格模型顶点的k'维高层特征向量p；G的边集合E表示所述边与所述三维网格模型的顶点存在相连关系；
步骤S42：构建如下述公式(8)的n×n邻接矩阵A[i][j]，判断所述节点之间是否邻接，所述邻接矩阵中对应位置元素为αij，若所述节点存在邻接关系，则αij为1，否则为0；
Figure FDA0002903031520000025
步骤S43：根据所述邻接矩阵，若节点j和节点i邻接，则利用注意力网络，通过下述公式(9)计算节点j对于节点i的注意力权重；
Figure FDA0002903031520000031
步骤S44：利用所述注意力权重更新节点i的高层特征向量，得到优化的高层特征向量
Figure FDA0002903031520000032
其中，σ为激活函数ReLU(x)＝max(x,0)；
将所述优化的高层特征向量组合成n×k'维优化的高层特征矩阵U＝[u1,u2,…,un]T。
6.根据权利要求4所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S5：根据预设的子分割网格个数，将所述优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割，包括：
步骤S51：将所述优化的高层特征矩阵U＝[u1,u2,…,un]T输入训练好所述的解码器De，得到目标特征矩阵T＝[t1,t2,…,tn]T；
其中，ti为k维特征向量；
步骤S52：随机选取所述图结构G＝<V,E>中m个节点C＝{c1,c2,...,ci,...,cm}作为初始聚类中心，其所述特征向量为T'＝[t1,t2,…,ti,…,tm]T；
其中，m为预设的子分割网格个数；
步骤S53：通过下述公式(10)，计算所述初始聚类中心的邻域内其余节点j特征向量tj与每一个所述初始聚类中心C＝{c1,c2,...,ci,...,cm}的特征向量T'＝[t1,t2,…,ti,…,tm]T间的余弦相似度，以及通过下述公式(11)计算余弦距离；
Figure FDA0002903031520000033
dist(j,i)＝1-cos(tj,ti) (11)
其中，dist(j,i)的取值在0到2之间；
步骤S54：将所述余弦距离dist(j,i)值最小的节点j归类至节点i所属类中；
步骤S55：对所述每一个所述类通过下述公式(12)，重新计算其聚类中心；
Figure FDA0002903031520000034
步骤S56：重复S54至S56，直到所述聚类中心不再发生变化；
步骤S57：根据所述图中m类节点，从而得到m个子分割网格，实现对所述三维网格模型的分割。
7.一种基于图注意力网络的三维网格模型分割系统，其特征在于，包括下述模块：
构建低层特征矩阵模块，用于根据输入的三维网格模型的顶点几何信息，构建每个所述顶点的低层特征矩阵；
训练特征编码器和解码器模型模块，用于构建特征编码器和解码器模型，将所述低层特征矩阵输入所述特征编码器和解码器模型进行训练，得到训练好的编码器和解码器；
构建高层特征矩阵模块，用于将所述低层特征矩阵输入训练好的所述编码器，得到高层特征矩阵；
优化高层特征矩阵模块，用于根据所述三维网格模型的顶点和边构建图结构，根据所述图结构及其注意力网络，对所述高层特征矩阵进行优化，得到优化的高层特征矩阵；
分割子网络模块，用于根据预设的子分割网格个数，将所述优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割。
CN202110065941.3A 2021-01-18 2021-01-18 一种基于图注意力网络的三维网格模型分割方法及系统 Withdrawn CN112767405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110065941.3A CN112767405A (zh) 2021-01-18 2021-01-18 一种基于图注意力网络的三维网格模型分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110065941.3A CN112767405A (zh) 2021-01-18 2021-01-18 一种基于图注意力网络的三维网格模型分割方法及系统

Publications (1)

Publication Number Publication Date
CN112767405A true CN112767405A (zh) 2021-05-07

Family

ID=75702956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110065941.3A Withdrawn CN112767405A (zh) 2021-01-18 2021-01-18 一种基于图注意力网络的三维网格模型分割方法及系统

Country Status (1)

Country Link
CN (1) CN112767405A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898121A (zh) * 2022-06-13 2022-08-12 河海大学 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN115331012A (zh) * 2022-10-14 2022-11-11 山东建筑大学 基于零样本学习的联合生成式图像实例分割方法及系统
CN115344901A (zh) * 2022-10-18 2022-11-15 山东捷瑞数字科技股份有限公司 一种基于三维引擎的三维模型自动爆炸拆解方法
CN116246039A (zh) * 2023-05-12 2023-06-09 中国空气动力研究与发展中心计算空气动力研究所 一种基于深度学习的三维流场网格分类分割方法
CN118246343A (zh) * 2024-04-25 2024-06-25 天津大学 基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法
CN118246343B (zh) * 2024-04-25 2024-10-22 天津大学 基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114898121A (zh) * 2022-06-13 2022-08-12 河海大学 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
CN115331012A (zh) * 2022-10-14 2022-11-11 山东建筑大学 基于零样本学习的联合生成式图像实例分割方法及系统
CN115344901A (zh) * 2022-10-18 2022-11-15 山东捷瑞数字科技股份有限公司 一种基于三维引擎的三维模型自动爆炸拆解方法
CN116246039A (zh) * 2023-05-12 2023-06-09 中国空气动力研究与发展中心计算空气动力研究所 一种基于深度学习的三维流场网格分类分割方法
CN118246343A (zh) * 2024-04-25 2024-06-25 天津大学 基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法
CN118246343B (zh) * 2024-04-25 2024-10-22 天津大学 基于knn-gat-ddqn的城市内涝模拟网格自适应优化方法

Similar Documents

Publication Publication Date Title
Zhang et al. A review of deep learning-based semantic segmentation for point cloud
Xu et al. Voxel-based representation of 3D point clouds: Methods, applications, and its potential use in the construction industry
Zorzi et al. Polyworld: Polygonal building extraction with graph neural networks in satellite images
CN109410307B (zh) 一种场景点云语义分割方法
CN112767405A (zh) 一种基于图注意力网络的三维网格模型分割方法及系统
EP3105740B1 (en) Contour completion for augmenting surface reconstructions
Hu et al. Structure‐aware 3D reconstruction for cable‐stayed bridges: A learning‐based method
Chen et al. Reconstructing compact building models from point clouds using deep implicit fields
CN106133756A (zh) 用于过滤、分割并且识别无约束环境中的对象的系统
CN113781667B (zh) 三维结构简化重建方法、装置、计算机设备和存储介质
Zhou et al. Refine-net: Normal refinement neural network for noisy point clouds
Jiang et al. Building layout generation using site-embedded GAN model
CN110210431A (zh) 一种基于点云语义标注和优化的点云分类方法
CN111460193A (zh) 一种基于多模态信息融合的三维模型分类方法
Yang et al. Automated semantics and topology representation of residential-building space using floor-plan raster maps
Hu et al. Learning structural graph layouts and 3D shapes for long span bridges 3D reconstruction
CN116758219A (zh) 基于神经网络的区域感知多视角立体匹配三维重建方法
Wu et al. A novel Building Section Skeleton for compact 3D reconstruction from point clouds: A study of high-density urban scenes
CN115620287A (zh) 一种基于面片上下文特征的室内点云场景语义分割方法
CN114677508A (zh) 一种基于动态滤波和逐点相关的点云实例语义分割方法
CN113723208A (zh) 基于规范等变转换算子神经网络的三维物体形状分类方法
Liu et al. Application of Relying on 3D Modeling Technology in the Design of Urban Sculpture.
CN117671165B (zh) 一种基于图注意力网络的dem数据综合方法
Clemente et al. Rapid pedestrian‐level wind field prediction for early‐stage design using Pareto‐optimized convolutional neural networks
US20240028784A1 (en) Segmenting a building scene

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210507

WW01 Invention patent application withdrawn after publication