[發(fā)明專利]基于端到端深度集成學(xué)習(xí)網(wǎng)絡(luò)的三維模型分類方法

有效

• 申請?zhí)枺?/td>: 201810446582.4
• 申請日: 2018-05-11
• 公開（公告）號: CN108596329B
• 公開（公告）日: 2020-08-07
• 發(fā)明（設(shè)計）人: 白靜;司慶龍;劉振剛
• 申請（專利權(quán)）人: 北方民族大學(xué)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 馮炳輝

1.基于端到端深度集成學(xué)習(xí)網(wǎng)絡(luò)的三維模型分類方法，其特征在于：該方法是采用端到端的深度學(xué)習(xí)集成策略，輸入一個三維網(wǎng)格模型，提取多視圖表征，建立包含基學(xué)習(xí)器和集成學(xué)習(xí)器的集成深度學(xué)習(xí)網(wǎng)絡(luò)，自動提取三維模型的復(fù)合特征，完成模型分類；其包括以下步驟：

S1、選用普林斯頓剛性三維模型數(shù)據(jù)集Princeton ModelNet Dataset，分別針對ModelNet10和ModelNet40，從官網(wǎng)選取所需數(shù)量的模型作為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，生成訓(xùn)練集和數(shù)據(jù)集；

S2、對選取的三維模型進行二維視圖渲染，構(gòu)建給定mesh網(wǎng)格的多視圖表征V＝{vi,1≤i≤N}，其中N為視圖數(shù)目；

S3、構(gòu)建集成深度學(xué)習(xí)網(wǎng)絡(luò)，選擇所需的基學(xué)習(xí)器，并構(gòu)造集成學(xué)習(xí)器；其中，所述基學(xué)習(xí)器需要完成初始決策，綜合考慮三維模型庫及其對應(yīng)二維視圖的規(guī)模及復(fù)雜性，選擇CaffeNet作為面向單個二維視圖分類的深度學(xué)習(xí)模型；所述集成學(xué)習(xí)器需要完成最終決策，綜合集成基于各個視圖的初始決策，形成對三維模型分類的最終決策，集成學(xué)習(xí)器共包含三層，第一層為集成層，后兩層為全連接層，為了避免深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練中出現(xiàn)過擬合，每個全連接層后有一個Dropout層；

S4、建立一個級聯(lián)損失函數(shù)，有效平衡基學(xué)習(xí)器和集成學(xué)習(xí)模塊的學(xué)習(xí)能力，實現(xiàn)復(fù)雜三維模型復(fù)合信息的有效提取；

S5、擴充訓(xùn)練數(shù)據(jù)，減少網(wǎng)絡(luò)的過擬合，提高預(yù)測的魯棒性；

S6、針對集成深度學(xué)習(xí)網(wǎng)絡(luò)EnsembleNet的網(wǎng)絡(luò)架構(gòu)，通過基學(xué)習(xí)器預(yù)訓(xùn)、整體網(wǎng)絡(luò)初訓(xùn)、集成學(xué)習(xí)器調(diào)優(yōu)的步驟進行層次迭代式訓(xùn)練；

S7、利用步驟S6中的層次迭代式訓(xùn)練方法，得到實驗所需訓(xùn)練樣本；

S8、將訓(xùn)練樣本輸入到深度集成網(wǎng)絡(luò)EnsembleNet，得到最后的分類準(zhǔn)確率。

2.根據(jù)權(quán)利要求1所述的基于端到端深度集成學(xué)習(xí)網(wǎng)絡(luò)的三維模型分類方法，其特征在于：在步驟S1中，選用Princeton ModelNet Dataset，采用官網(wǎng)數(shù)據(jù)，針對ModelNet10和ModelNet40分別選取3991、9843個模型作為訓(xùn)練數(shù)據(jù)，908、2468個模型作為測試數(shù)據(jù)，庫內(nèi)所有模型均按照Z軸方向正確擺放。

3.根據(jù)權(quán)利要求1所述的基于端到端深度集成學(xué)習(xí)網(wǎng)絡(luò)的三維模型分類方法，其特征在于：在步驟S3中，所述基學(xué)習(xí)器的CaffeNet共包含9層，第一層為輸入層，第二至八層為隱藏層，第九層為輸出層，各層結(jié)構(gòu)如下：

第一層，輸入層：將通過數(shù)據(jù)增廣獲得的增廣視圖作為訓(xùn)練樣本輸入到網(wǎng)絡(luò)；

第二層，隱藏層：包含一個卷積層、一個激活函數(shù)層、一個池化層和一個局部相應(yīng)歸一化層；

第三層，隱藏層：包含一個卷積層、一個激活函數(shù)層、一個池化層和一個局部相應(yīng)歸一化層；

第四層，隱藏層：包含一個卷積層和一個激活函數(shù)層；

第五層，隱藏層：包含一個卷積層和一個激活函數(shù)層；

第六層，隱藏層：包含一個卷積層、一個激活函數(shù)層和一個池化層；

第七層，隱藏層：包含一個全連接層、一個激活函數(shù)層和一個DropOut層；

第八層，隱藏層：包含一個全連接層、一個激活函數(shù)層和一個DropOut層；

第九層，輸出層：包含一個全連接層和一個Softmax層。