本發(fā)明涉及計(jì)算機(jī)技術(shù)，尤其涉及一種基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法及裝置。

背景技術(shù)：

隨著社會(huì)科技的不斷進(jìn)步發(fā)展，三維技術(shù)已成為現(xiàn)代科技的重要組成部分。三維模型三角面片特征學(xué)習(xí)與分類技術(shù)作為三維模型理解與處理的重要基礎(chǔ)技術(shù)之一，在三維建模、三維動(dòng)畫(huà)以及三維貼圖等各三維技術(shù)領(lǐng)域都發(fā)揮著巨大作用。

現(xiàn)有技術(shù)中，提出了多種三維模型三角面片特征學(xué)習(xí)與分類技術(shù)，例如2016年，浙江大學(xué)的Zhenyu Shu等人提出了一種無(wú)監(jiān)督的基于深度學(xué)習(xí)的三維模型三角面分類與共分割方法。該方法在預(yù)分割的基礎(chǔ)上，提取三維模型特征，在無(wú)監(jiān)督的條件下，使用深度學(xué)習(xí)模型auto-encoder對(duì)特征進(jìn)行重構(gòu)學(xué)習(xí)，并對(duì)輸出特征應(yīng)用GMM進(jìn)行聚類，得到三維模型三角面片分類與共分割結(jié)果。該方法采用無(wú)監(jiān)督的特征學(xué)習(xí)方式，無(wú)法保證學(xué)習(xí)得到正確的輸出特征，同時(shí)無(wú)法保證得到準(zhǔn)確的三角面片分類結(jié)果。

綜上所述，現(xiàn)有技術(shù)所提出的特征對(duì)于三角面片的描述能力不夠，導(dǎo)致三維模型三角面片特征學(xué)習(xí)與分類的結(jié)果不夠準(zhǔn)確。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法及裝置，用于解決現(xiàn)有技術(shù)中對(duì)三角面片的描述能力不夠的問(wèn)題。

本發(fā)明第一方面提供一種基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法，包括：

構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，所述深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型具有第一卷積層、第一下采樣層、第二卷積層以及第二下采樣層，其中，所述第一卷積層具有16個(gè)尺寸為5*5的卷積核，所述第一下采樣層的縮放因子為2，所述第二卷積層具有16*20個(gè)尺寸為3*3的卷積核，所述第二下采樣層的縮放因子為2；

對(duì)具有類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征；

使用所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，獲取訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型；

對(duì)無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征；

根據(jù)所述訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，以及所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征，確定所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征；

根據(jù)所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征對(duì)所述無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行分類。

進(jìn)一步地，所述對(duì)具有類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征，包括：

計(jì)算所述具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征；

根據(jù)所述具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征，使用K-means算法對(duì)所述具有類別標(biāo)簽的三維模型三角面片的每類特征分別進(jìn)行聚類，獲取K個(gè)聚類中心，其中，K為大于0的整數(shù)；

將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的特征分別減去每個(gè)聚類中心的特征并進(jìn)行非線性變換，并將變換后的k個(gè)新特征求和并除以k，獲取具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值；

確定具有類別標(biāo)簽的三維模型的每個(gè)三角面片的鄰居面片；

將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值乘以鄰居面片的平均特征值并進(jìn)行加和運(yùn)算，將運(yùn)算結(jié)果作為所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征；

對(duì)所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征進(jìn)行歸一化計(jì)算。

進(jìn)一步地，所述使用所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，獲取訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，包括：

A、將所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征輸入到所述深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型中，逐層計(jì)算，獲取具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率；

B、將獲取到的具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率與具有類別標(biāo)簽的三維模型的每個(gè)三角面片所具有的類別標(biāo)簽數(shù)據(jù)相減并做平方運(yùn)算，獲取殘差；

C、根據(jù)所述殘差從所述深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的最后一層向前逐層對(duì)每一層的參數(shù)求偏導(dǎo)，并逐層更新每層的參數(shù)值；

D、循環(huán)執(zhí)行A-C，直至執(zhí)行次數(shù)達(dá)到預(yù)設(shè)次數(shù)。

進(jìn)一步地，所述根據(jù)所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征對(duì)所述無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行分類，包括：

對(duì)所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征進(jìn)行加權(quán)與偏置計(jì)算；

使用非線性函數(shù)對(duì)加權(quán)與偏置計(jì)算的結(jié)果進(jìn)行激活，獲取激活值；

根據(jù)所述激活值進(jìn)行分類概率求解。

進(jìn)一步地，還包括：

確定無(wú)類別標(biāo)簽的三維模型的邊界三角面片；

根據(jù)所述無(wú)類別標(biāo)簽的三維模型三角面片的分類結(jié)果，以及所確定出的無(wú)類別標(biāo)簽的三維模型的邊界三角面片，使用Fuzzycuts算法進(jìn)行分類結(jié)果優(yōu)化。

本發(fā)明第二方面提供一種基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置，包括：

構(gòu)建模塊，用于構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，所述深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型具有第一卷積層、第一下采樣層、第二卷積層以及第二下采樣層，其中，所述第一卷積層具有16個(gè)尺寸為5*5的卷積核，所述第一下采樣層的縮放因子為2，所述第二卷積層具有16*20個(gè)尺寸為3*3的卷積核，所述第二下采樣層的縮放因子為2；

第一重構(gòu)模塊，用于對(duì)具有類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征；

訓(xùn)練模塊，用于使用所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，獲取訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型；

第二重構(gòu)模塊，用于對(duì)無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征；

第一確定模塊，用于根據(jù)所述訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，以及所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征，確定所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征；

分類模塊，用于根據(jù)所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征對(duì)所述無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行分類。

進(jìn)一步地，所述第一重構(gòu)模塊包括：

計(jì)算單元，用于計(jì)算所述具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征；

聚類單元，用于根據(jù)所述具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征，使用K-means算法對(duì)所述具有類別標(biāo)簽的三維模型三角面片的每類特征分別進(jìn)行聚類，獲取K個(gè)聚類中心，其中，K為大于0的整數(shù)；

獲取單元，用于將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的特征分別減去每個(gè)聚類中心的特征并進(jìn)行非線性變換，并將變換后的k個(gè)新特征求和并除以k，獲取具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值；

確定單元，用于確定具有類別標(biāo)簽的三維模型的每個(gè)三角面片的鄰居面片；

運(yùn)算單元，用于將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值乘以鄰居面片的平均特征值并進(jìn)行加和運(yùn)算，將運(yùn)算結(jié)果作為所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征；

歸一單元，用于對(duì)所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征進(jìn)行歸一化計(jì)算。

進(jìn)一步地，所述訓(xùn)練模塊包括：

第一計(jì)算單元，用于將所述具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征輸入到所述深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型中，逐層計(jì)算，獲取具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率；

第二計(jì)算單元，用于將獲取到的具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率與具有類別標(biāo)簽的三維模型的每個(gè)三角面片所具有的類別標(biāo)簽數(shù)據(jù)相減并做平方運(yùn)算，獲取殘差；

第三計(jì)算單元，用于根據(jù)所述殘差從所述深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的最后一層向前逐層對(duì)每一層的參數(shù)求偏導(dǎo)，并逐層更新每層的參數(shù)值。

進(jìn)一步地，所述分類模塊包括：

第四計(jì)算單元，用于對(duì)所述無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征進(jìn)行加權(quán)與偏置計(jì)算；

第五計(jì)算單元，用于使用非線性函數(shù)對(duì)加權(quán)與偏置計(jì)算的結(jié)果進(jìn)行激活，獲取激活值；

第六計(jì)算單元，用于根據(jù)所述激活值進(jìn)行分類概率求解。

進(jìn)一步地，還包括：

第二確定模塊，用于確定無(wú)類別標(biāo)簽的三維模型的邊界三角面片；

優(yōu)化模塊，用于根據(jù)所述無(wú)類別標(biāo)簽的三維模型三角面片的分類結(jié)果，以及所確定出的無(wú)類別標(biāo)簽的三維模型的邊界三角面片，使用Fuzzycuts算法進(jìn)行分類結(jié)果優(yōu)化。

本發(fā)明所提供的方法，在訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型以及將三維模型三角面片特征輸入到深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型之前，都會(huì)對(duì)三維模型三角面片進(jìn)行特征提取以及重構(gòu)，從而提升了對(duì)于三維模型三角面片的描述能力，在此基礎(chǔ)上結(jié)合特定結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型進(jìn)行特征處理以及分類，從而保證了三維模型三角面片特征學(xué)習(xí)與分類的結(jié)果的準(zhǔn)確性。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例一的流程示意圖；

圖2為該深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的示意圖；

圖3為第4層的處理示意圖；

圖4為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例二的流程示意圖；

圖5為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例三的流程示意圖；

圖6為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例四的流程示意圖；

圖7為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例五的流程示意圖；

圖8為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例一的模塊結(jié)構(gòu)圖；

圖9為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例二的模塊結(jié)構(gòu)圖；

圖10為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例三的模塊結(jié)構(gòu)圖；

圖11為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例四的模塊結(jié)構(gòu)圖；

圖12為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例五的模塊結(jié)構(gòu)圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

圖1為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例一的流程示意圖，如圖1所示，該方法包括：

S101、構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型。

圖2為該深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的示意圖，如圖2所示，該深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型具有第一卷積層、第一下采樣層、第二卷積層以及第二下采樣層，其中，第一卷積層具有16個(gè)尺寸為5*5的卷積核，第一下采樣層的縮放因子為2，第二卷積層具有16*20個(gè)尺寸為3*3的卷積核，第二下采樣層的縮放因子為2。

以下介紹該深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的處理過(guò)程。

參照?qǐng)D2，本發(fā)明深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型主要分6層，第1層為輸入層，第2層為包含16個(gè)尺寸為5*5的卷積核的卷積層，即第一卷積層。假設(shè)W_i為一個(gè)卷積核的權(quán)重，則定義卷積操作如下：

Output_i＝W_i*Input+b_i,i＝1...16

其中，*表示卷積操作，b_i表示偏置向量。利用16個(gè)卷積核對(duì)輸入的初始特征進(jìn)行卷積操作，得到16個(gè)尺寸為16*16的特征，緊接著利用sigmoid激活函數(shù)對(duì)其進(jìn)行激活操作如下：

進(jìn)而，在第3層，即第一下采樣層，對(duì)經(jīng)過(guò)非線性與激活操作后的特征進(jìn)行縮放因子為2的下采樣操作，得到16個(gè)尺寸為8*8的特征作為第4層的輸入。

進(jìn)而，在第4層，即第二卷積層，將第3層輸出的16個(gè)特征擴(kuò)展為20個(gè)尺寸為6*6的新特征。圖3為第4層的處理示意圖，如圖4所示，對(duì)于每一個(gè)新特征的求解，都利用16個(gè)尺寸為3*3的卷積核構(gòu)建的卷積層對(duì)第3層的16個(gè)輸出特征進(jìn)行卷積操作并進(jìn)行疊加操作。

進(jìn)而，在第5層，即第二下采樣層，對(duì)得到的特征進(jìn)行激活操作與下采樣操作，得到20個(gè)尺寸為3*3的特征。

進(jìn)而，在第6層，即全連接層，將第5層輸出的特征重構(gòu)為180*1的特征向量，為了將輸出特征歸一化到[0,1]之間，再利用非線性映射并再次應(yīng)用sigmoid激活函數(shù)對(duì)其進(jìn)行激活操作，并得到三維模型中每個(gè)三角面片屬于不同類別的概率值P_t。

S102、對(duì)具有類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征。

S103、使用具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，獲取訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型。

步驟S102-S103是訓(xùn)練上述深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的過(guò)程，在步驟S102中，先對(duì)已經(jīng)具有類別標(biāo)簽的三維模型三角面片特征提取及重構(gòu)，將重構(gòu)的特征作為深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的輸入。

進(jìn)而，在步驟S103中，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型進(jìn)行訓(xùn)練。

S104、對(duì)無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征。

S105、根據(jù)訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，以及無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征，確定無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征。

S106、根據(jù)無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征對(duì)無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行分類。

步驟S104-S106是使用訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型對(duì)三維模型三角面片進(jìn)行分類的過(guò)程。其中，步驟S104是對(duì)三維模型三角面片進(jìn)行特征提取及重構(gòu)，其方法與S102相同，具體過(guò)程將在下文中進(jìn)行詳細(xì)描述。

在步驟S105中，將經(jīng)過(guò)S104所計(jì)算出的初始特征輸入到訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型中，深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型會(huì)輸出其對(duì)應(yīng)的輸出特征，其中，初始特征在卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型中的處理過(guò)程可以參照前述步驟S101中的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的處理過(guò)程，此處不再贅述。

在步驟S106中，根據(jù)深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型所輸出的特征對(duì)三維模型三角面片進(jìn)行分類。

本實(shí)施例中，首先構(gòu)建具有特定結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型并對(duì)其進(jìn)行訓(xùn)練，進(jìn)而使用訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型來(lái)獲取需要進(jìn)行分類的三維模型三角面片的輸出特征，再基于這些輸出特征對(duì)三維模型三角面片進(jìn)行分類。其中，在訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型以及將三維模型三角面片特征輸入到深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型之前，都會(huì)對(duì)三維模型三角面片進(jìn)行特征提取以及重構(gòu)，從而提升了對(duì)于三維模型三角面片的描述能力，在此基礎(chǔ)上結(jié)合特定結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型進(jìn)行特征處理以及分類，從而保證了三維模型三角面片特征學(xué)習(xí)與分類的結(jié)果的準(zhǔn)確性。

在上述實(shí)施例的基礎(chǔ)上，本實(shí)施例涉及對(duì)三維模型三角面片進(jìn)行特征提取與重構(gòu)的過(guò)程，本實(shí)施例以深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型訓(xùn)練前的特征提取與重構(gòu)為例來(lái)進(jìn)行說(shuō)明，即本實(shí)施例介紹S102的具體執(zhí)行過(guò)程。S104的執(zhí)行過(guò)程與S102的過(guò)程相同，僅需要將下述步驟中的具有類別標(biāo)簽的三維模型三角面片替換為無(wú)類別標(biāo)簽的三維模型三角面片即可。

圖4為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例二的流程示意圖，如圖4所示，上述步驟S102具體包括：

S201、計(jì)算具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征。

S202、根據(jù)具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征，使用K-means算法對(duì)具有類別標(biāo)簽的三維模型三角面片的每類特征分別進(jìn)行聚類，獲取K個(gè)聚類中心。

其中，K為大于0的整數(shù)。

S203、將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的特征分別減去每個(gè)聚類中心的特征并進(jìn)行非線性變換，并將變換后的k個(gè)新特征求和并除以k，獲取具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值。

具體地，假設(shè)將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的特征分別減去每個(gè)聚類中心的特征所得到的結(jié)果為Disk，則使用如下公式對(duì)Disk進(jìn)行非線性變換：

NDisk＝exp(-Disk/kbof)

其中，kbof為比例系數(shù)，可選地，可以將kbof設(shè)置為1e6。

S204、確定具有類別標(biāo)簽的三維模型的每個(gè)三角面片的鄰居面片。

S205、將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值乘以鄰居面片的平均特征值并進(jìn)行加和運(yùn)算，將運(yùn)算結(jié)果作為具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征。

S206、對(duì)具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征進(jìn)行歸一化計(jì)算。

在上述實(shí)施例的基礎(chǔ)上，本實(shí)施例涉及訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的具體方法，即，圖5為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例三的流程示意圖，如圖5所示，上述步驟S103具體包括：

S301、將具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征輸入到深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型中，逐層計(jì)算，獲取具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率。

在訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型時(shí)，主要需要訓(xùn)練的參數(shù)是權(quán)重矩陣W和偏置向量b。

該步驟為前向傳導(dǎo)過(guò)程，在前向傳導(dǎo)過(guò)程中，用很小的隨機(jī)數(shù)初始化權(quán)重矩陣W，并用0向量初始化偏置向量b。進(jìn)而，使用輸入的初始特征通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型進(jìn)行逐層計(jì)算，得到每個(gè)三角面片t的輸出特征以及每個(gè)三角面片屬于不同類別的概率值P_t。

S302、將獲取到的具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率與具有類別標(biāo)簽的三維模型的每個(gè)三角面片所具有的類別標(biāo)簽數(shù)據(jù)相減并做平方運(yùn)算，獲取殘差。

假設(shè)G_t表示ground-truth數(shù)據(jù)，則利用歐式距離計(jì)算殘差的公式如下：

其中，T為訓(xùn)練過(guò)程中使用的所有三維網(wǎng)格三角面片的集合。

S303、根據(jù)殘差從深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的最后一層向前逐層對(duì)每一層的參數(shù)求偏導(dǎo)，并逐層更新每層的參數(shù)值。

該步驟為反向傳播過(guò)程，反向傳播過(guò)程的目的是通過(guò)調(diào)節(jié)每一層的參數(shù)W和b來(lái)減少殘差Error_t。由于Output＝W*Input+b，則計(jì)算殘差Error_t對(duì)b的偏導(dǎo)的公式為：

其中，從第l+1層反向傳播到第l層時(shí)：

其中，"·"表示每個(gè)元素對(duì)應(yīng)相乘操作，"C"和"S"分別表示卷積操作和下采樣操作。

需要說(shuō)明的是，在計(jì)算殘差的最后一層L層，與其他層的計(jì)算略有不同：

δ^L＝sigmoid'(Output^L)·(G_t-P_t)＝Output^L·(1-Output^L)·(G_t-P_t)

與計(jì)算殘差Error_t對(duì)b的偏導(dǎo)類似，計(jì)算殘差Error_t對(duì)W的偏導(dǎo)的公式為：

最后，利用下述公式更新每層的參數(shù)：

其中，α為學(xué)習(xí)速率，可選地，α的值可以設(shè)置為0.98。

S304、循環(huán)執(zhí)行S301-S303，直至執(zhí)行次數(shù)達(dá)到預(yù)設(shè)次數(shù)。

上述前向傳導(dǎo)與反向傳播過(guò)程不斷迭代直到迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)，即殘差收斂。

可選地，可以根據(jù)訓(xùn)練集規(guī)模來(lái)設(shè)置迭代次數(shù)。

在上述實(shí)施例的基礎(chǔ)上，本實(shí)施例涉及三維模型三角面片分類的具體過(guò)程，即，圖6為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例四的流程示意圖，如圖6所示，上述步驟S106具體包括：

S401、對(duì)無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征進(jìn)行加權(quán)與偏置計(jì)算。

S402、使用非線性函數(shù)對(duì)加權(quán)與偏置計(jì)算的結(jié)果進(jìn)行激活，獲取激活值。

S403、根據(jù)激活值進(jìn)行分類概率求解。

圖7為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類方法實(shí)施例五的流程示意圖，如圖7所示，在對(duì)無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行分類之后，還包括：

S501、確定無(wú)類別標(biāo)簽的三維模型的邊界三角面片。

S502、根據(jù)無(wú)類別標(biāo)簽的三維模型三角面片的分類結(jié)果，以及所確定出的無(wú)類別標(biāo)簽的三維模型的邊界三角面片，使用Fuzzycuts算法進(jìn)行分類結(jié)果優(yōu)化。

圖8為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例一的模塊結(jié)構(gòu)圖，如圖8所示，該裝置包括：

構(gòu)建模塊501，用于構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，該深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型具有第一卷積層、第一下采樣層、第二卷積層以及第二下采樣層，其中，第一卷積層具有16個(gè)尺寸為5*5的卷積核，第一下采樣層的縮放因子為2，第二卷積層具有16*20個(gè)尺寸為3*3的卷積核，第二下采樣層的縮放因子為2。

第一重構(gòu)模塊502，用于對(duì)具有類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征。

訓(xùn)練模塊503，用于使用具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，獲取訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型。

第二重構(gòu)模塊504，用于對(duì)無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行特征提取與特征向量構(gòu)建，并使用詞袋算法對(duì)所構(gòu)建的特征向量中的特征進(jìn)行重構(gòu)，獲取無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征。

第一確定模塊505，用于根據(jù)訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型，以及無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征，確定無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征。

分類模塊506，用于根據(jù)無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征對(duì)無(wú)類別標(biāo)簽的三維模型三角面片進(jìn)行分類。

該裝置用于實(shí)現(xiàn)前述方法實(shí)施例，其實(shí)現(xiàn)原理和技術(shù)效果類似，此處不再贅述。

圖9為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例二的模塊結(jié)構(gòu)圖，如圖9所示，第一重構(gòu)模塊502包括：

計(jì)算單元5021，用于計(jì)算具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征。

聚類單元5022，用于根據(jù)具有類別標(biāo)簽的三維模型三角面片的曲率特征、形狀特征、距離特征、上下文特征以及主成分特征，使用K-means算法對(duì)具有類別標(biāo)簽的三維模型三角面片的每類特征分別進(jìn)行聚類，獲取K個(gè)聚類中心，其中，K為大于0的整數(shù)。

獲取單元5023，用于將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的特征分別減去每個(gè)聚類中心的特征并進(jìn)行非線性變換，并將變換后的k個(gè)新特征求和并除以k，獲取具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值。

確定單元5024，用于確定具有類別標(biāo)簽的三維模型的每個(gè)三角面片的鄰居面片。

運(yùn)算單元5025，用于將具有類別標(biāo)簽的三維模型的每個(gè)三角面片的平均特征值乘以鄰居面片的平均特征值并進(jìn)行加和運(yùn)算，將運(yùn)算結(jié)果作為具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征。

歸一單元5026，用于對(duì)具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征進(jìn)行歸一化計(jì)算。

圖10為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例三的模塊結(jié)構(gòu)圖，如圖10所示，訓(xùn)練模塊503包括：

第一計(jì)算單元5031，用于將具有類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的初始特征輸入到深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型中，逐層計(jì)算，獲取具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率。

第二計(jì)算單元5032，用于將獲取到的具有類別標(biāo)簽的三維模型的每個(gè)面片屬于各類別的概率與具有類別標(biāo)簽的三維模型的每個(gè)三角面片所具有的類別標(biāo)簽數(shù)據(jù)相減并做平方運(yùn)算，獲取殘差。

第三計(jì)算單元5033，用于根據(jù)殘差從深度卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)模型的最后一層向前逐層對(duì)每一層的參數(shù)求偏導(dǎo)，并逐層更新每層的參數(shù)值。

圖11為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例四的模塊結(jié)構(gòu)圖，如圖11所示，分類模塊506包括：

第四計(jì)算單元5061，用于對(duì)無(wú)類別標(biāo)簽的三維模型三角面片對(duì)應(yīng)的輸出特征進(jìn)行加權(quán)與偏置計(jì)算。

第五計(jì)算單元5062，用于使用非線性函數(shù)對(duì)加權(quán)與偏置計(jì)算的結(jié)果進(jìn)行激活，獲取激活值。

第六計(jì)算單元5063，用于根據(jù)激活值進(jìn)行分類概率求解。

圖12為本發(fā)明提供的基于深度學(xué)習(xí)的三維模型三角面特征學(xué)習(xí)分類裝置實(shí)施例五的模塊結(jié)構(gòu)圖，如圖12所示，該裝置還包括：

第二確定模塊507，用于確定無(wú)類別標(biāo)簽的三維模型的邊界三角面片。

優(yōu)化模塊508，用于根據(jù)無(wú)類別標(biāo)簽的三維模型三角面片的分類結(jié)果，以及所確定出的無(wú)類別標(biāo)簽的三維模型的邊界三角面片，使用Fuzzycuts算法進(jìn)行分類結(jié)果優(yōu)化。

本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過(guò)程序指令相關(guān)的硬件來(lái)完成。前述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。該程序在執(zhí)行時(shí)，執(zhí)行包括上述各方法實(shí)施例的步驟；而前述的存儲(chǔ)介質(zhì)包括：ROM、RAM、磁碟或者光盤(pán)等各種可以存儲(chǔ)程序代碼的介質(zhì)。

最后應(yīng)說(shuō)明的是：以上各實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。