[發明專利]三維模型檢索相關性反饋方法和裝置

無效

• 申請號: 201010154736.6
• 申請日: 2010-04-26
• 公開（公告）號: CN102236651A
• 公開（公告）日: 2011-11-09
• 發明（設計）人: 魏濤
• 申請（專利權）人: 魏濤
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及信息檢索領域，尤其涉及三維模型檢索以及相應的相關性反饋方法和裝置。

背景技術

本發明所關聯的基于內容的三維模型檢索就是從三維模型庫中檢索與已知三維模型相似的其他三維模型，即對于特定查詢模型，使用分類算法構建一個分類器，返回與之相對應的模型類中各模型。它可以描述為：構建一個分類器L來判斷給定一組三維模型O是否與查詢三維模型Q屬于同一個類別的形狀類C，并將O按照相似程度的高低返回。通過特征提取算法，三維模型被表示成一個上百維的特征向量。因為一個三維模型可以包含多個特征信息，因此，一個三維模型可以對應多個特征向量。

在三維模型檢索中運用相關性反饋方法是為了獲取用戶的檢索信息，提高三維模型的檢索效果。在三維模型檢索中，現有的效果較好的相關性反饋技術包括：基于支持向量機(SVM)的相關性反饋方法；另一種是多分類器集成方法。

發明內容

本發明實施例的目的是提供一種供三維模型檢索使用的相關性反饋方法和裝置。從而幫助單純的三維模型檢索方法和裝置獲得更好的檢索結果。

本發明實施例的目的是通過以下技術方案實現的：

一種三維模型檢索相關性反饋方法，包括：

通過多個基于支持向量機的基學習器獲取用戶的反饋信息，根據該反饋信息對查詢模型的各個特征向量的權重和相關信息進行更新；

利用推進機制(Boosting)更新各個基學習器的權重，增大被錯分的樣例權重，提高比例。

一種三維模型的檢索裝置，包括：

用戶反饋信息獲取模塊，用于獲得用戶反饋信息，作為理解用戶語義需求的模塊；

基學習器模塊，用于根據用戶反饋的信息，對檢索模型的各個特征向量和相關信息進行初始化設置；

推進模塊，集合多個基學習模塊，根據各個基礎模塊的檢索效果更新各個學習器的權重。

由上述實施例提供的技術方案可以看出，本發明當中，發明人通過將基于支持向量機的相關性反饋方法和多分類器集成方法結合起來，實現一種新型的相關性反饋方法和裝置。

附圖說明

圖1是三維模型檢索相關性反饋裝置模塊圖

圖2是檢索誤差和參數σ和C間關系圖

圖3是AB.SVM與基本SVM，LDA分類算法的檢索結果改進結果對比圖

具體實施方式

在本發明實施例中，提出了一種全新的以徑向基支持向量機(SVM?with?Radial?Basis?Function)作為Boosting基分類器算法的一種新三維模型檢索相關性反饋算法，稱作AB.SVM。AB.SVM算法首先利用反饋機制獲取用戶反饋的語義信息，接著通過多個基于徑向基支持向量機(RBF-SVM)作為基學習器，對用戶反饋的信息，對檢索模型的各個特征向量和相關信息進行初始化的學習和預測，接著利用推進機制，根據基學習器的預測結果進行分析和判斷，重新分配各個基學習器的權重，增大被錯分樣例的權重，提高比例。

AB.SVM使用三個關鍵技術：1)Boosting算法中對不同樣例依據其分類錯誤率進行重賦權重；2)每次迭代時適時調整徑向基核函數的高斯寬度σ，避免基分類器過強帶來的泛化性不高或者基分類器過弱不能滿足錯誤率要求；3)最終強分類器由多個基分類器按照測試錯誤率加權疊加構成。

附圖1描述了組成本發明的三個模塊：用戶反饋信息獲取模塊、基學習器模塊和推進模塊。下面結合附圖來詳細描述本發明實施例。

步驟一：用戶反饋信息獲取模塊。在一般三維模型檢索裝置取得檢索的初始內容后，本模塊通過圖形交互界面，讓用戶根據自己的主觀需要，對初始反饋結果進行相似與否的標注，用戶可選的標注有三種：相似，不相似以及不確定。對于用戶未標注的初始結果，該模塊將自動視為“不確定”的選擇。在用戶對初始檢索結果標注結束后，該裝置將搜集用戶的信息，生成若干個標注向量(x₁，y₁)，...，(x_N，y_N)，其中x_i∈R^d，y_i∈{-1，1}，-1代表不相關，1代表相關。該步驟用于獲得用戶反饋信息，作為理解用戶語義需求的模塊