[發明專利]基于組對深度特征學習的多視圖三維模型檢索方法及系統

有效

• 申請號: 202010086644.2
• 申請日: 2020-02-11
• 公開（公告）號: CN111382300B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 劉麗;陳秀秀;張龍;張化祥;高爽;劉冬梅
• 申請（專利權）人: 山東師范大學
• 主分類號: G06F16/583
• 分類號: G06F16/583
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 董雪

1.基于組對深度特征學習的多視圖三維模型檢索方法，其特征在于，包括：

獲取待檢索三維模型不同角度的二維視圖，提取每一個二維視圖的初始視圖描述符；

對上述的多個初始視圖描述符進行聚合，獲得最終的視圖描述符；

分別提取最終的視圖描述符的潛在特征和類別特征，其中，采用自編碼器挖掘二維視圖描述符的潛在特征，具體為：

定義改進的中心損失函數來減小類內數據的距離并增大類間數據的距離，所述中心損失函數具體為：

其中，c₊∈R^d表示特征相應的類中心，c_-∈R^d為距離類中心c₊最近的一個樣本中心，d表示特征維度，δ表示距離邊界；N表示批處理的大小，s_i表示自編碼器網絡的特征嵌入；函數L₂(·)表示L₂范式；F(s_i)表示encoder的輸出，即潛在特征向量；

訓練期間，將改進的中心損失函數與標簽損失結合使用，具體為：

其中，y_i表示標簽數據，L_CE表示用于對F(s_i)實例進行分類的交叉熵損失；

利用深度學習方法，重構損失如下：

其中，s_i表示第i個三維模型的視圖描述符，N表示訓練數據的個數；

將中心損失、標簽損失和重構損失進行加權求和，以實現更加具有區別性和魯棒性的特征表示；

將所述潛在特征和類別特征進行加權組合，形成形狀描述符；

將得到的形狀描述符與數據庫中三維模型的形狀描述符進行相似性計算，實現多視圖三維模型的檢索。

2.如權利要求1所述的基于組對深度特征學習的多視圖三維模型檢索方法，其特征在于，使用可擴展的卷積神經網絡來提取三維模型的初始視圖描述符，具體為：

每一個三維模型采用多視圖表示；

多個視圖分別輸入到并行的參數共享卷積神經網絡中；

對于每一個視圖,卷積神經網絡輸出一個d維的特征向量；

每一個三維模型采用初始視圖描述符來表示；所述初始視圖描述符根據渲染順序來堆疊所述特征向量得到。

3.如權利要求1所述的基于組對深度特征學習的多視圖三維模型檢索方法，其特征在于，利用生成對抗網絡的判別器根據判別分數提取二維視圖的類別特征，具體為：

設計n個基于生成對抗網絡判別器來挖掘三維模型的類別特征F₂，判別器用D＝{D₁,D₂,D₃,…,D_n}來表示；

將三維模型的視圖描述符作為判別器的輸入；

假設數據的類標簽y＝{y₁,y₂,y₃,…,y_n}和判別器D＝{D₁,D₂,D₃,…,D_n}之間是一一對應的關系，對于第i類特征數據而言，只有在對應的判別器D_i中被判別為1，在其他判別器中均為0。

4.如權利要求1所述的基于組對深度特征學習的多視圖三維模型檢索方法，其特征在于，將所述潛在特征和類別特征進行加權組合，形成形狀描述符，具體為：

L_B＝αF₁+βF₂

其中，L_B為三維模型特征，F₁表示潛在特征，F₂表示類別特征，α和β分別表示權重系數。