[發明專利]一種基于圖卷積神經網絡的形狀協同分割方法

在審

• 申請號: 201810797764.6
• 申請日: 2018-07-19
• 公開（公告）號: CN109255791A
• 公開（公告）日: 2019-01-22
• 發明（設計）人: 吳子朝;秦飛巍;王毅剛
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T19/20
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于圖卷積網絡的形狀協同分割方法，其特征在于，該方法具體包括以下步驟：

步驟一：形狀過分割

將給定的三維模型集合進行歸一化分割；將每個三維模型分割成30個子片；

步驟二：圖模型構建

對模型集的每個子片進行特征抽取；分別抽取形狀直徑函數、共形因子、形狀上下文、平均測地距離和到底部的測地距離；擬定p_i表示第i個子片，h_k,i表示該子片的第k個特征描述；將該子片的所有特征進行連接，形成該子片的特征描述x_i＝[h_1,i,h_2,i,...,h_5,i]；對于任意兩個子片p_i和p_j，采用EMD距離計算它們之間的相似距離d(p_i,p_j)＝EMD(x_i,x_j)，得到初始距離定義；通過應用高斯核，得到最終兩個子片p_i和p_j的距離定義a_i,j＝exp(-d(p_i,p_j)/2σ²)；根椐該距離，定義圖模型G＝(V,E)；圖的節點表示每一個子片，并用它的特征描述該子片的屬性，圖的邊的權重采用兩個子片的距離來定義；相應的子片之間的距離構成相似矩陣W；

步驟三：圖卷積神經網絡

根椐給定的圖模型，定義兩層的圖卷積網絡模型，每一層圖的結構均保持不變，節點和邊的屬生作動態調整；擬定最后一個節點輸出為Z；每一層神經網絡描述成一個非線性函數H^(l+1)＝f(H^l,A)，其中H(0)＝X，H(l)＝Z；將f(·)函數展開，定義神經網絡的結構為：其中為圖的鄰接矩陣，I為單位矩陣；W^l為每層矩陣的權重；φ(·)定義為激活函數，常用的激活函數如RELU定義為：RELU(·)＝max(0,·)；

將兩層的圖卷積網絡進行展開，得到神經網絡的輸出為：其中W⁽⁰⁾為輸入到隱藏層的權重矩陣，W^l為隱藏層至輸出的矩陣；其中定義的損失函數預測值與基準值之間的誤差：其中Y_L為標簽的索引；

步驟四：形狀分割結果

根椐步驟三預測得到的結果，將每個節點的標簽信息反射到形狀上，得到形狀的分割和語義結果。