亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種三維模型部件類別自動標注方法與流程

文檔序號:11833119閱讀:來源:國知局

技術(shù)特征:

1.一種快速的三維模型部件類別自動標注方法,其特征在于,包括以下步驟:

步驟1,訓(xùn)練三維模型標注訓(xùn)練集,訓(xùn)練集中的三維模型為同類模型且模型中部件已給出標準標注信息,其中標注信息包括三維模型中每個網(wǎng)格面片從屬于構(gòu)成部件的類別標注以及每條網(wǎng)格邊從屬于邊界邊的類別標注,通過對三維模型標注訓(xùn)練集進行快速訓(xùn)練,獲得用于對目標三維模型進行分割與標注的快速面片標注模型和快速網(wǎng)格邊標注模型,獲得三維模型面片分類標注概率分布和網(wǎng)格邊分類標注概率分布,并學(xué)習(xí)得到圖割模型的平滑項權(quán)重;

步驟2,標注目標三維模型:利用步驟1得到的快速面片標注模型和快速網(wǎng)格邊標注模型分別對目標三維模型進行分割與標注,獲得目標三維模型的每個面片從屬于構(gòu)成部件的類別標注以及每條網(wǎng)格邊從屬于邊界邊的類別標注,構(gòu)建圖模型,通過多標簽圖割優(yōu)化得到平滑的分割和標注結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法,其特征在于,步驟1包括以下步驟:

步驟1-1,對訓(xùn)練集中所有三維模型進行預(yù)處理,提取每個網(wǎng)格面片的面片特征和每條網(wǎng)格邊的邊特征;

步驟1-2,訓(xùn)練集中三維模型的所有面片構(gòu)成訓(xùn)練網(wǎng)格面片集,采用改進的極限學(xué)習(xí)機方法,對訓(xùn)練網(wǎng)格面片集中的每個網(wǎng)格面片的面片特征及其標準標注進行快速訓(xùn)練,獲得快速面片標注模型;

步驟1-3,訓(xùn)練集中三維模型的所有網(wǎng)格邊構(gòu)成訓(xùn)練網(wǎng)格邊集,采用改進的極限學(xué)習(xí)機方法對訓(xùn)練網(wǎng)格邊集中的每條網(wǎng)格邊的邊特征及其標準標注進行快速訓(xùn)練,獲得快速網(wǎng)格邊標注模型;

步驟1-4,獲得三維模型面片分類標注概率分布和網(wǎng)格邊分類標注概率分布,并學(xué)習(xí)得到圖割模型的最優(yōu)平滑項權(quán)重。

3.根據(jù)權(quán)利要求2所述的方法,其特征在于,步驟1-1中,所述對訓(xùn)練集中所有三維模型進行預(yù)處理包括模型歸一化處理和特征提取,其中,模型歸一化處理包括以下步驟:

步驟1-1-1,將訓(xùn)練集中的三維模型的質(zhì)心移動到坐標原點,三維模型的質(zhì)心通過計算模型上所有頂點的面積加權(quán)平均值獲得;

步驟1-1-2,計算訓(xùn)練集中的三維模型每個面片中心到其質(zhì)心的歐式距離,取所有歐式距離的中值作為規(guī)范項,將訓(xùn)練集中的三維模型上各點的坐標除以該規(guī)范項,完成訓(xùn)練集中的三維模型的歸一化處理;

特征提取包括以下步驟:

步驟1-1-3,將訓(xùn)練集中的三維模型每個網(wǎng)格面片的面片特征,由曲率特征、PCA特征、形狀直徑特征、平均測地距離特征和形狀上下文特征級聯(lián)形成一個特征向量;

步驟1-1-4,將訓(xùn)練集中的三維模型每條網(wǎng)格邊的邊特征,由邊二面角特征、邊鄰域頂點的二面角特征,邊兩側(cè)鄰域頂點的曲率差和導(dǎo)數(shù)特征、共享網(wǎng)格邊的兩個鄰接面片形狀直徑差異特征、共享邊的兩個鄰接面片的體形狀圖像差異征級聯(lián)形成一個特征向量。

4.根據(jù)權(quán)利要求3所述的方法,其特征在于,步驟1-2包括如下步驟:

步驟1-2-1,將訓(xùn)練網(wǎng)格面片集中每個面片的面片特征作為單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸入單元值進行輸入;

步驟1-2-2,建模單隱層前饋神經(jīng)網(wǎng)絡(luò)為:

<mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mover> <mi>N</mi> <mo>~</mo> </mover> </munderover> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>&CenterDot;</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>l</mi> <mi>j</mi> </msub> <mo>,</mo> </mrow>

其中,j=1,2,…N,N為訓(xùn)練集網(wǎng)格面片集中面片的數(shù)量,xj為面片j對應(yīng)的面片特征向量,為隱藏層神經(jīng)元的數(shù)目,wi=(wi1,wi2,…,wiN)T表示隱藏層神經(jīng)元與輸入單元連接的權(quán)向量,為偏移向量,g(y)為激活函數(shù);lj為根據(jù)模型所得的訓(xùn)練集中面片j的的實際輸出,βk為輸出單元與隱藏層連接的輸出權(quán)重,k=1,2,…m,m為輸出層的維度,即分類的標簽數(shù)目;

步驟1-2-3,選擇ReLu神經(jīng)激活函數(shù)作為激活函數(shù),ReLu神經(jīng)激活函數(shù)定義為:g(y)=max(0,y);

步驟1-2-4,以零誤差逼近該模型時,即:

<mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mover> <mi>N</mi> <mo>~</mo> </mover> </munderover> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>&CenterDot;</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>t</mi> <mi>j</mi> </msub> <mo>,</mo> </mrow>

其中,tj為訓(xùn)練集中面片j所對應(yīng)的標準標注,g為步驟1-2-3中選擇的神經(jīng)激活函數(shù),隱藏層與輸出層之間的權(quán)矩陣表示為:

其中,表示輸出單元與第r個隱藏層神經(jīng)元的權(quán)向量,

步驟1-2-5,根據(jù)步驟1-2-4中對模型進行零誤差逼近,給出矩陣表示為Hβ=T,其中,T=(t1 t2 … tj),通過求解得到輸出權(quán)重,為矩陣的Moore-Penrose廣義逆,從而得到快速面片標注模型。

5.根據(jù)權(quán)利要求4所述的方法,其特征在于,步驟1-3包括如下步驟:

步驟1-3-1,將訓(xùn)練網(wǎng)格邊集中每條邊的邊特征作為單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸入單元值進行輸入;

步驟1-3-2,建模單隱層前饋神經(jīng)網(wǎng)絡(luò)為:

<mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>e</mi> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mover> <mi>N</mi> <mo>~</mo> </mover> <mi>e</mi> </msub> </munderover> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>e</mi> <mi>i</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msub> <mi>x</mi> <mrow> <mi>e</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mi>e</mi> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mrow> <mi>e</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>l</mi> <mrow> <mi>e</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> </mrow>

其中,ej=1,2,…Ne,Ne為訓(xùn)練網(wǎng)格邊集中網(wǎng)格邊的數(shù)量,xej為網(wǎng)格邊ej對應(yīng)的邊特征,為隱藏層神經(jīng)元的數(shù)目,wei=(wei1,wei2,…,weiN)T表示隱藏層神經(jīng)元與輸入單元連接的權(quán)向量,為偏移向量,g(y)為激活函數(shù),lej為根據(jù)模型所得的網(wǎng)格邊ej的實際輸出,βek為輸出單元與隱藏層連接的輸出權(quán)重,ek=1,2,…me,me為輸出層的維度,即分類的標簽數(shù)目;

步驟1-3-3,選擇ReLu神經(jīng)激活函數(shù)作為激活函數(shù),ReLu神經(jīng)激活函數(shù)定義為:g(y)=max(0,y);

步驟1-3-4,以零誤差逼近該模型時,即:

<mrow> <munderover> <mo>&Sigma;</mo> <mrow> <mi>e</mi> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mover> <mi>N</mi> <mo>~</mo> </mover> <mi>e</mi> </msub> </munderover> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mrow> <mi>e</mi> <mi>i</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msub> <mi>x</mi> <mrow> <mi>e</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>b</mi> <mrow> <mi>e</mi> <mi>i</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>&beta;</mi> <mrow> <mi>e</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>t</mi> <mrow> <mi>e</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> </mrow>

其中,tej∈{1,2}為訓(xùn)練集中網(wǎng)格邊ej所對應(yīng)的標準標注,分別對應(yīng)于非邊界邊和邊界邊,g為步驟1-3-3中選擇的神經(jīng)激活函數(shù),隱藏層與輸出層之間的權(quán)矩陣表示為:

其中,表示輸出單元與第l個隱藏層神經(jīng)元的權(quán)向量,為隱藏層神經(jīng)元的數(shù)量,me為輸出層單元數(shù)目,亦即分類標簽數(shù)目;

步驟1-3-5,根據(jù)步驟1-2-4中對模型進行零誤差逼近,給出矩陣表示為Heβe=Te,其中,Te=(te1 te2 … tej),通過求解得到輸出權(quán)重,為矩陣的Moore-Penrose廣義逆,從而得到快速網(wǎng)格邊標注模型。

6.根據(jù)權(quán)利要求5所述的方法,其特征在于,步驟1-4包括如下步驟:

步驟1-4-1,采用面片標注過程根據(jù)快速面片標注模型對訓(xùn)練集中三維模型的面片集進行部件類別標注,具體步驟為將訓(xùn)練集中模型面片集的面片特征作為輸入,根據(jù)訓(xùn)練得到的面片快速標注模型得到模型的輸出值,將輸出值通過softmax函數(shù)映射到[0,1],從而得到具有面片特征向量Χf的面片f分類概率分布P(lff),lf表示網(wǎng)格面片f的標注;

步驟1-4-2,采用邊標注過程根據(jù)快速網(wǎng)格邊標注模型對訓(xùn)練集中三維模型的邊集進行邊界邊類別標注,具體步驟為將訓(xùn)練集中模型網(wǎng)格邊集的邊特征作為輸入,根據(jù)訓(xùn)練得到的網(wǎng)格邊快速標注模型得到模型的輸出值,將對應(yīng)于邊界邊標注的輸出值通過sigmoid函數(shù)映射到[0,1],從而得到具有邊特征向量Χe的邊界邊e的分類概率分布P(lf≠lf'e),lf'表示網(wǎng)格面片f'的標注,面片f和面片f'為具有一條共享邊的相鄰面片;

步驟1-4-3,針對訓(xùn)練集中的每個三維模型構(gòu)建圖模型,圖的節(jié)點為網(wǎng)格面片,圖的邊為相鄰面片f和面片f'間的共享邊,面片的分類標注的負概率對數(shù)作為圖割優(yōu)化的數(shù)據(jù)項Edata(lff),Edata(lff)=-ln(P(lff)),網(wǎng)格邊分類標注的負概率對數(shù)Eweight(lf≠lf'e)×α作為圖模型中邊的權(quán)重,用于調(diào)節(jié)分割邊界的平滑程度,采用多標簽圖割優(yōu)化算法計算優(yōu)化后的目標三維模型中每個網(wǎng)格面片的標注,權(quán)重α的取值范圍為[0,10],在此范圍內(nèi),設(shè)置步長為0.1進行網(wǎng)格搜索優(yōu)化,找到使得訓(xùn)練集中三維模型的平均分割精度最高的權(quán)重α,記為圖割模型的最優(yōu)平滑項權(quán)重αbest。

7.根據(jù)權(quán)利要求6所述的方法,其特征在于,步驟2包括如下步驟:

步驟2-1,對目標三維模型進行預(yù)處理,提取每個網(wǎng)格面片的面片特征和每條網(wǎng)格邊的邊特征;

步驟2-2,利用步驟1得到的快速面片標注模型和快速網(wǎng)格邊標注模型,采用面片標注過程對目標三維模型的面片集進行部件類別標注,采用邊標注過程對目標三維模型的邊集進行邊界邊類別標注;

步驟2-3,根據(jù)目標三維模型的面片分類標注概率分布和網(wǎng)格邊類別標注概率分布,構(gòu)建圖模型,通過多標簽圖割優(yōu)化進行分割邊界的平滑,得到優(yōu)化后的目標三維模型面片類別標注結(jié)果,完成對目標三維模型部件類別的快速自動標注。

8.根據(jù)權(quán)利要求7所述的方法,其特征在于,步驟2-1中所述對目標三維模型進行預(yù)處理包括模型歸一化處理和特征提取,其中,模型歸一化處理包括以下步驟:

步驟2-1-1,將目標三維模型的質(zhì)心移動到坐標原點,三維模型的質(zhì)心通過計算模型上所有頂點的面積加權(quán)平均值獲得;

步驟2-1-2,計算目標三維模型每個面片中心到其質(zhì)心的歐式距離,取所有歐式距離的中值作為規(guī)范項,將目標三維模型上各點的坐標除以該規(guī)范項,完成目標三維模型的歸一化處理;

特征提取包括以下步驟:

步驟2-1-3,將目標三維模型每個網(wǎng)格面片的面片特征,由曲率特征、PCA特征、形狀直徑特征、平均測地距離特征和形狀上下文特征級聯(lián)形成一個特征向量;

步驟2-1-4,將目標三維模型每條網(wǎng)格邊的邊特征,由邊二面角特征、邊鄰域頂點的二面角特征,邊兩側(cè)鄰域頂點的曲率差和導(dǎo)數(shù)特征、共享網(wǎng)格邊的兩個鄰接面片形狀直徑差異特征、共享邊的兩個鄰接面片的體形狀圖像差異征級聯(lián)形成一個特征向量。

9.根據(jù)權(quán)利要求8所述的方法,其特征在于,步驟2-2包括以下步驟:

步驟2-2-1,采用面片標注過程根據(jù)快速面片標注模型對目標三維模型的面片集進行部件類別標注,具體步驟為將目標模型面片集的面片特征作為輸入,根據(jù)訓(xùn)練得到的面片快速標注模型得到模型的輸出值,將輸出值通過softmax函數(shù)映射到[0,1],從而得到具有面片特征向量Χf的面片f分類概率分布P(lff),lf表示網(wǎng)格面片f的標注;

采用邊標注過程根據(jù)快速網(wǎng)格邊標注模型對目標三維模型的邊集進行邊界邊類別標注,具體步驟為將目標模型網(wǎng)格邊集的邊特征作為輸入,根據(jù)訓(xùn)練得到的網(wǎng)格邊快速標注模型得到模型的輸出值,將對應(yīng)于邊界邊標注的輸出值通過sigmoid函數(shù)映射到[0,1],從而得到具有邊特征向量Χe的邊界邊e的分類概率分布P(lf≠lf'e),lf'表示網(wǎng)格面片f'的標注,面片f和面片f'為具有一條共享邊的相鄰面片;

步驟2-2-2,針對目標三維模型構(gòu)建圖模型,圖的節(jié)點為網(wǎng)格面片,圖的邊為相鄰面片f和面片f'間的共享邊,面片的分類標注的負概率對數(shù)作為圖割優(yōu)化的數(shù)據(jù)項Edata(lff),Edata(lff)=-ln(P(lff)),網(wǎng)格邊分類標注的負概率對數(shù)Eweight(lf≠lf'e)×αbest作為圖模型中邊的權(quán)重,用于進行分割邊界的平滑優(yōu)化,采用多標簽圖割優(yōu)化算法計算優(yōu)化后的目標三維模型中每個網(wǎng)格面片的標注。

當前第2頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1