[發(fā)明專利]一種基于圖卷積神經(jīng)網(wǎng)絡(luò)的形狀協(xié)同分割方法

在審

• 申請?zhí)枺?/td>: 201810797764.6
• 申請日: 2018-07-19
• 公開（公告）號: CN109255791A
• 公開（公告）日: 2019-01-22
• 發(fā)明（設(shè)計）人: 吳子朝;秦飛巍;王毅剛
• 申請（專利權(quán)）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(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發(fā)明公開了一種基于圖卷積網(wǎng)絡(luò)的形狀協(xié)同分割方法，本發(fā)明所述方法包括：將給定的一組形狀過分割成子片，并構(gòu)建子片間的關(guān)系圖模型；對其中的部分子片進行標簽指定；構(gòu)建圖卷積網(wǎng)絡(luò)，將已標注的子片標簽信息傳播至其它未標注子片上。本發(fā)明將圖卷積網(wǎng)絡(luò)應用于形狀協(xié)同分割領(lǐng)域，相比目前其它方法，本發(fā)明能得到準確率更高的結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖形學的幾何形狀建模與分析技術(shù)，用為技術(shù)基礎(chǔ)能廣泛應用于三維游戲、建模、仿真等領(lǐng)域。

背景技術(shù)

形狀分割是指將形狀切分成一組數(shù)量有限，各自具有簡單語義的子形狀。該技術(shù)能廣泛應用于圖形學的各個領(lǐng)域，例如三維游戲、建模、仿真、模型的模式識別等。早期的工作主要集中在對單個形狀的分割上，但效率較低，最近有很多學者研究同時分割一組形狀，并建立它們之間的對應關(guān)系，即：形狀協(xié)同分割。它能有效輔助解決很多形狀處理問題，如建模，模型檢索，和紋理映射等。

目前，針對該問題，存在有無監(jiān)督方法和監(jiān)督的方法。無監(jiān)督的方法能自動、高效的對形狀進行協(xié)同分割，然而它的結(jié)果依賴于給定的數(shù)據(jù)集，即對不同的數(shù)據(jù)集，協(xié)同分割結(jié)果的準確率會存在很大的差異。另一方面，基于監(jiān)督方法的協(xié)同分割結(jié)果依賴于已標注的訓練集，給定足夠多的訓練集，它能得到準確率很高的分割結(jié)果。然而這類方法的缺點在于首先它也依賴于給定的訓練數(shù)據(jù)集，其次其對已標注數(shù)據(jù)的訓練過程的時間復雜度非常高。

發(fā)明內(nèi)容

本發(fā)明設(shè)計一種新型的基于圖卷積神經(jīng)網(wǎng)絡(luò)的協(xié)同分割模型方法，可以對充分挖掘圖模型數(shù)據(jù)，進行半監(jiān)督的對模型進行分析。主要過程為：

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(gòu)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(shù)、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(jié)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(quán)重采用兩個子片的距離來定義；相應的子片之間的距離構(gòu)成相似矩陣W。

步驟三：圖卷積神經(jīng)網(wǎng)絡(luò)

根椐給定的圖模型，定義兩層的圖卷積網(wǎng)絡(luò)模型，每一層圖的結(jié)構(gòu)均保持不變，節(jié)點和邊的屬生作動態(tài)調(diào)整；擬定最后一個節(jié)點輸出為Z。每一層神經(jīng)網(wǎng)絡(luò)描述成一個非線性函數(shù)H^(l+1)＝f(H^l,A)，其中H(0)＝X，H(l)＝Z；將f(·)函數(shù)展開，定義神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)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(quán)重。φ(·)定義為激活函數(shù)，常用的激活函數(shù)如RELU定義為：RELU(·)＝max(0,·)；

將兩層的圖卷積網(wǎng)絡(luò)進行展開，得到神經(jīng)網(wǎng)絡(luò)的輸出為：

其中W⁽⁰⁾為輸入到隱藏層的權(quán)重矩陣，W^l為隱藏層至輸出的矩陣。其中定義的損失函數(shù)預測值與基準值之間的誤差：其中Y_L為標簽的索引。