[發明專利]一種基于圖注意力網絡的三維網格模型分割方法及系統

在審

• 申請號: 202110065941.3
• 申請日: 2021-01-18
• 公開（公告）號: CN112767405A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 李海生;曹國梁;吳曉群;李楠;蔡強
• 申請（專利權）人: 北京工商大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 江亞平

1.一種基于圖注意力網絡的三維網格模型分割方法，其特征在于，包括：

步驟S1：根據輸入的三維網格模型的頂點幾何信息，構建每個所述頂點的低層特征矩陣；

步驟S2：構建特征編碼器和解碼器模型；將所述低層特征矩陣輸入所述特征編碼器和解碼器模型進行訓練，得到訓練好的編碼器和解碼器；

步驟S3：將所述低層特征矩陣輸入所述訓練好的編碼器，得到高層特征矩陣；

步驟S4：根據所述三維網格模型的頂點和邊構建圖結構，根據所述圖結構及其注意力網絡，對所述高層特征矩陣進行優化，得到優化的高層特征矩陣；

步驟S5：根據預設的子分割網格個數，將所述優化的高層特征矩陣進行聚類，得到多個子分割網格，實現對所述三維網格模型的分割。

2.根據權利要求1所述的基于圖注意力網絡的三維網格模型分割方法，其特征在于，所述步驟S1：構建每個所述頂點的低層特征矩陣，包括：

步驟S11：計算形狀直徑函數；

步驟S12：計算平均測地距離；

步驟S13：計算共形因子；

步驟S14：計算尺度不變的熱核特征；

步驟S15：計算譜圖小波特征；

步驟S16：將上述頂點的幾何特征組合成k維低層特征向量x_i，進而組成n×k維低層特征矩陣X＝[x₁,x₂,…,x_n]^T。

3.根據權利要求2所述的基于圖注意力網絡的三維網格模型分割方法，其特征在于，所述步驟S2中所述特征編碼器和解碼器模型包含輸入層、隱含層和輸出層；

其中，步驟S2中將所述低層特征矩陣輸入所述特征編碼器和解碼器模型進行訓練，包括：

步驟S21：將所述低層特征矩陣X＝[x₁,x₂,…,x_n]^T輸入所述輸入層，編碼器E通過下述映射函數(5)，將其投影到所述隱含層，輸出隱含層向量R＝[r₁,r₂,…,r_n]^T；

R＝f(X)＝s_f(W₁X+b) (5)；

其中，W₁是k×k'權重矩陣；b∈R^k′是偏差向量；激活函數s_f為sigmoid函數：

步驟S22：解碼器De通過下述映射函數(6)，將所述隱含層向量R＝[r₁,r₂,…,r_n]^T投影到所述輸出層，得到輸出向量H＝[h₁,h₂,…,h_n]^T:

其中,W₂是k'×k權重矩陣，是偏差向量，激活函數s_f為ReLU函數：ReLU(x)＝max(x,0)；

步驟S23：通過如下述公式(7)的損失函數，反向訓練所述特征編碼器和解碼器模型，直到所述特征編碼器和解碼器模型收斂或者計算資源耗盡時，訓練結束，得到訓練好的編碼器E和解碼器De；

其中，x_ij是輸入向量，h_ij是輸出向量，n是層數。

4.根據權利要求1所述的基于圖注意力網絡的三維網格模型分割方法，其特征在于，所述步驟S3：將所述低層特征矩陣輸入訓練好的所述編碼器，得到高層特征矩陣，具體包括：

將所述低層特征矩陣X＝[x₁,x₂,…,x_n]^T輸入訓練好的所述編碼器E，得到高層特征矩陣P＝[p₁,p₂,…,p_n]^T。