[發(fā)明專利]一種基于圖注意力網(wǎng)絡(luò)的三維網(wǎng)格模型分割方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110065941.3
• 申請日: 2021-01-18
• 公開（公告）號: CN112767405A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計）人: 李海生;曹國梁;吳曉群;李楠;蔡強(qiáng)
• 申請（專利權(quán)）人: 北京工商大學(xué)
• 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(zé)任公司 11251
• 代理人: 江亞平

本發(fā)明公開一種基于圖注意力網(wǎng)絡(luò)的三維網(wǎng)格模型分割方法及系統(tǒng)，其方法包括：S1：根據(jù)三維網(wǎng)格模型的頂點(diǎn)幾何信息，構(gòu)建其低層特征矩陣；S2：構(gòu)建特征編碼器和解碼器模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的編碼器和解碼器；S3：將低層特征矩陣輸入訓(xùn)練好的編碼器，得到高層特征矩陣；S4：根據(jù)三維網(wǎng)格模型的頂點(diǎn)和邊構(gòu)建圖結(jié)構(gòu)，及其注意力網(wǎng)絡(luò)，對高層特征矩陣進(jìn)行優(yōu)化；S5：根據(jù)預(yù)設(shè)的子分割網(wǎng)格個數(shù)，將優(yōu)化的高層特征矩陣進(jìn)行聚類，得到多個子分割網(wǎng)格，實(shí)現(xiàn)對所述三維網(wǎng)格模型的分割。本發(fā)明公開的方法，基于圖的深度學(xué)習(xí)來完成三維網(wǎng)格分割任務(wù)。本發(fā)明的特征編碼器和解碼器模型,基于圖的注意力網(wǎng)絡(luò)，在各種場景中可以減少過分割的情況。

技術(shù)領(lǐng)域

本發(fā)明涉及三維網(wǎng)格處理領(lǐng)域，具體涉及一種基于圖注意力深度學(xué)習(xí)模型和無監(jiān)督學(xué)習(xí)的三維網(wǎng)格處理方法的分割方法及系統(tǒng)。

背景技術(shù)

在當(dāng)前日新月異的數(shù)字化時代，將圖形蘊(yùn)藏并展示出來成為計算機(jī)圖形學(xué)的發(fā)展動力。隨著計算機(jī)技術(shù)、計算機(jī)輔助設(shè)計技術(shù)的發(fā)展，在工程制圖、視頻游戲、科學(xué)研究和生物醫(yī)學(xué)等領(lǐng)域中三維模型的數(shù)量呈爆炸式增長。三維模型的優(yōu)點(diǎn)是更加貼近現(xiàn)實(shí)世界，在不同的領(lǐng)域、不同的應(yīng)用場景下都顯示出其直觀、高效的特點(diǎn)。也正是因?yàn)檫@些原因，三維模型的應(yīng)用和處理成為目前的重要問題。

網(wǎng)格模型分割任務(wù)屬于三維網(wǎng)格處理領(lǐng)域，傳統(tǒng)的網(wǎng)格分割任務(wù)，主要是利用網(wǎng)格的基礎(chǔ)屬性來完成分割任務(wù)，包括：根據(jù)不同的三維網(wǎng)格特征采取不同的分割約束，具體的：一部分利用網(wǎng)格的基礎(chǔ)屬性，例如分割后子網(wǎng)格的個數(shù)是否平均，一部分使用網(wǎng)格的幾何特征，如面積、中心軸周長、凸度等，還有一部分利用網(wǎng)格的拓?fù)鋵傩裕瑢D論知識引入當(dāng)前問題，如限定同胚于圓盤等。但總體來說這些方法往往聚焦于網(wǎng)格的一部分特征，并不能對網(wǎng)格分割線的選取起到?jīng)Q定性的作用。而且網(wǎng)格分割方法因其所在三維空間計算理論艱深、幾何度量困難以及傳統(tǒng)算法效率的桎梏成為模型處理一大難題。

因此，如何更高效地對三維網(wǎng)格進(jìn)行分割，成為一個亟待解決的問題。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供一種基于圖注意力網(wǎng)絡(luò)的三維網(wǎng)格模型分割方法及系統(tǒng)。

本發(fā)明技術(shù)解決方案為：一種基于圖注意力網(wǎng)絡(luò)的三維網(wǎng)格模型分割方法，包括：

步驟S1：根據(jù)輸入的三維網(wǎng)格模型的頂點(diǎn)幾何信息，構(gòu)建每個所述頂點(diǎn)的低層特征矩陣；

步驟S2：構(gòu)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(jìn)行訓(xùn)練，得到訓(xùn)練好的編碼器和解碼器；

步驟S3：將所述低層特征矩陣輸入訓(xùn)練好的所述編碼器，得到高層特征矩陣；

步驟S4：根據(jù)所述三維網(wǎng)格模型的頂點(diǎn)和邊構(gòu)建圖結(jié)構(gòu)，根據(jù)所述圖結(jié)構(gòu)及其注意力網(wǎng)絡(luò)，對所述高層特征矩陣進(jìn)行優(yōu)化，得到優(yōu)化的高層特征矩陣；

步驟S5：根據(jù)預(yù)設(shè)的子分割網(wǎng)格個數(shù)，將所述優(yōu)化的高層特征矩陣進(jìn)行聚類，得到多個子分割網(wǎng)格，實(shí)現(xiàn)對所述三維網(wǎng)格模型的分割。

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：

1、本發(fā)明公開了一種基于圖注意力網(wǎng)絡(luò)的三維網(wǎng)格模型分割，基于圖的深度學(xué)習(xí)理論知識來完成三維網(wǎng)格處理領(lǐng)域的三維網(wǎng)格分割任務(wù)，相較于傳統(tǒng)的三維網(wǎng)格分割方法是完全從另一個角度對帶有幾何信息三角網(wǎng)格進(jìn)行分割的一種嘗試。且在實(shí)際應(yīng)用中獲得了一定效果。

2、本發(fā)明所構(gòu)建的特征編碼器和解碼器模型，已經(jīng)在大量的無監(jiān)督任務(wù)中得到檢驗(yàn)，基于圖的注意力網(wǎng)絡(luò)在其各種應(yīng)用場景中也有較好的效果，可以減少過分割的情況，減少后續(xù)的工作量。

3、本發(fā)明使用了無監(jiān)督學(xué)習(xí)的方式，一方面克服了三維網(wǎng)格本身沒有信息標(biāo)注的缺陷，可以從大量的無標(biāo)注幾何信息學(xué)習(xí)到更多特征。另一方面也解決了監(jiān)督學(xué)習(xí)在數(shù)據(jù)量不足的情況下容易出現(xiàn)的過擬合現(xiàn)象。

附圖說明