基于局部几何与全局结构联合学习的3D图卷积分类方法技术

本发明专利技术公开一种基于局部几何与全局结构联合学习的3D图卷积分类方法，是将待分类的3D模型输入至分类模型中进行分类，所述分类模型是依次按照如下步骤建立：用多层感知机mlp为模型提取底层特征，包括采集关键点、找关键点邻域及提取特征；在所采集关键点的基础上更新采样点及邻域，构建局部谱图，并借助切比雪夫多项式来近似卷积核进行局部的谱图卷积；在所采集关键点的基础上通过均匀采样得到关键点，计算特征间余弦相似度构造全局谱图，借助切比雪夫多项式来近似卷积核进行全局的谱图卷积；运用自适应权值计算，对每层网络提取的特征进行融合；训练模型并通过反向传播进行优化，最终得到分类模型。终得到分类模型。

【技术实现步骤摘要】
基于局部几何与全局结构联合学习的3D图卷积分类方法


[0001]本专利技术涉及一种3D图卷积分类方法，尤其涉及一种基于局部几何与全局结构联合学习的3D图卷积分类方法。

技术介绍

[0002]近年来，卷积神经网络在自然语言处理﹑图像识别等领域得到了广泛的应用。然而，传统的卷积神经网络只能处理有规则结构的欧几里德域数据，而现实生活中的许多数据(CAD模型、三维场景、交通网络、社交网络等)都是图表示的空间结构数据，具有无序性及拓扑多样性，对现有的深度学习方法提出了巨大的挑战。目前，众多学者利用图卷积神经网络建模图上的复杂信息进而对空间结构数据进行分类，而现有的图卷积神经网络分为谱方法和空间方法两类。
[0003]谱方法(谱域图卷积)是把原始的空域数据转化到频谱上做处理。最早的图数据学习模型是谱图卷积神经网络Spectral CNN；ChebNet和GCN对谱方法中的卷积核进行参数化；PPNP和SGC则是对一阶图卷积神经网络方法进行分析并提出了一些简化和变体；LocalSpecGCN不再在大图上进行卷积，而是通过在局部图上使用谱图卷积结合递归聚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部几何与全局结构联合学习的3D图卷积分类方法，是将待分类的3D模型输入至分类模型中进行分类，其特征在于所述分类模型是依次按照如下步骤建立：a.用多层感知机mlp为模型提取底层特征a.1采集关键点：输入点云模型Bx1024x3，运用最远点采样法从1024个点里采集512个样点为关键点，得到Bx512x3维度的关键点集合；a.2找关键点邻域：以每个关键点为中心，以0.2为半径，运用Ball Query方法，查找每个关键点周围的32个最近邻居点，即获得关键点邻域；a.3提取特征：以每个关键点邻域为单位，构造三层mlp学习层，依次得到64、64、128维度的特征，所得128维度的特征即底层特征C
m
；b.提取局部谱图卷积层特征b.1令M个关键点为a.1步骤所得512个关键点，P个样点为128个样点，K个最近邻居点为32个最近邻居点；b.2运用最远点采样法从M个关键点中采集P个样点；b.3以每个样点为中心，运用Ball Query方法，为每个样点查找周围的K个最近邻居点，构成邻居点集合{x
i
}，i＝1,2,3
……
K；b.4计算邻居点x
i
与其它邻居点x
j
坐标之间的欧式距离，得到邻接矩阵A＝dist(x
i
,x
j
)，所述j＝1,2,3
……
K且j≠i；基于邻接矩阵A计算拉普拉斯矩阵，L
local
＝I
‑
D
‑
1/2
A D
‑
1/2
，其中I是单位矩阵，D∈R
kxk
是对角度矩阵，所述拉普拉斯矩阵即局部谱图L
local
；b.5运用切比雪夫多项式展开来近似卷积核g
θ
，按照公式构建局部谱图卷积，式中f
l
为输入特征,W
l
是可学习的权重矩阵，σ(
·
)为ReLU函数；g
θ
(
·
)是局部谱图卷积算子；b.6得到局部谱图卷积层输出特征C
l1
；b.7令M个关键点为b.2步骤得到的128个关键点，P个样点为32个样点，K个最近邻居点为8个最近邻居点，重复步骤b.2
‑
b.5，得到局部谱图卷积层输出特征C
l2
；b.8取原点(0,0,0)作为邻域中心点，把b.7步骤得到的32个关键点作为邻域，构成邻居点集合{x
i
}，i＝1,2,3
……
K，重复步骤b.4
‑
b.5，...

【专利技术属性】
技术研发人员：韩丽，兰鹏燕，石雪，王晓旻，何金海，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：