训练用于3D模型数据库查询的可微分渲染器和神经网络制造技术

用于可训练以学习用于对象识别的3D模型数据库的优化查询的可微分网络的系统和方法包括：通过从相异的第二对象的第一对象的3D模型生成2D图像，同时通过第一三重损失函数的梯度下降来优化用于产生2D图像的渲染参数，来训练被配置为可微分渲染器的第一可微分网络。图像之间的视觉变化被最大化。通过生成2D图像的可搜索特征向量来训练被配置为由回归函数定义的卷积神经网络的第二可微分网络。使用通过第二三重损失函数的梯度下降确定的优化神经网络参数来确定特征向量，以实现与第一对象的输入图像的高相关性和与第二对象的图像的低相关性。相关性。相关性。

【技术实现步骤摘要】
【国外来华专利技术】训练用于3D模型数据库查询的可微分渲染器和神经网络


[0001]本申请涉及应用于支持设计和数字孪生的3D虚拟模型的机器学习。更尤其是，本申请涉及训练用于改进3D模型查询的可微分渲染器和神经网络。

技术介绍

[0002]在工业应用中(例如，设计、制造、数字孪生)，对象或系统实体被建模为3D虚拟表示(例如，CAD模型)以分析对象的3D方面(例如，工程分析、模拟和测试、数字双胞胎、产品寿命管理、新物体/系统的设计、自动化制造、系统性能等)。对这种模型的访问需要对存储在数据库储存库中的大数据库文件进行查询，近年来其复杂性、数量和大小已经激增，从而扩大了计算机系统的有效查询和处理能力的限制。为了说明所需的工作量的大小，复杂对象的3D模型被表示为表示3D空间中对象的表面的(例如，数千个)3D点和向量的长列表。因此，可以理解，在寻求适当匹配时将给定3D模型与数据库档案中已知3D模型进行比较的任务将有多复杂，甚至不考虑对象配对的不同视点(旋转)的复杂性增加。
[0003]因此，常规方法在进行比较时依赖于对来自3D模型的2D平移的视觉分析。基于视觉相似性本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种可训练以学习用于对象识别的3D模型数据库的优化查询的可微分网络的系统，所述系统包括：处理器；以及其上存储有由所述处理器执行的模块的非暂时性存储器，所述模块包括：对象的多个3D模型的虚拟表示数据的数据库，所述数据被配置为表示3D空间中的所述对象的表面的点和向量的列表；端到端可微分流水线，包括第一可微分网络和第二可微分网络，其中，所述第一可微分网络被配置为可微分渲染器，所述可微分渲染器被训练以从第一对象的第一3D模型生成第一组2D图像并且从第二对象的第二3D模型生成第二组2D图像，所述第一组2D图像是根据用于产生2D图像的优化渲染参数来渲染的，通过优化的第一三重损失函数的梯度下降来确定的所述渲染参数(i)使针对所述第一3D模型产生的N个图像之间的视觉变化最大化，以及(ii)使针对第一模型产生的N个图像与针对第二模型产生的N个图像之间的视觉差异最大化；以及其中，所述第二可微分网络被配置为卷积神经网络，所述卷积神经网络由回归函数定义并且被训练以生成所述第一组2D图像的可搜索特征，所述特征被配置为根据优化的神经网络参数从所述第一组2D图像中提取的特征向量，所述优化的神经网络参数通过优化的第二三重损失函数的梯度下降来确定，以实现与所述第一组2D图像的输入图像的高相关性和与所述第二组2D图像的图像的低相关性。2.根据权利要求1所述的系统，其中，所述第一三重损失函数依赖于由所述第二三重损失函数提取的所述特征向量之间的距离。3.根据权利要求1所述的系统，其中，所述第一三重损失函数依赖于由所述第二三重损失函数提取的所述特征向量之间的计算距离。4.根据权利要求1所述的系统，其中，所述第一三重损失函数被优化成通过根据外观变化来表示有意义地选择的视点来捕捉所述第一对象和所述第二对象的整体外观。5.根据权利要求1所述的系统，还包括已知3D模型的数据储存库，其中，在训练之后，经训练的流水线被用于接收每个已知3D模型，确定与每个已知3D模型相关联的特征向量，并生成所述已知3D模型的具有特征描述符的模型标签的索引，以形成与所述已知3D模型的数据储存库链接的特征描述符数据库。6.根据权利要求5所述的系统，其中，所述经训练的流水线被配置为接收未知目标对象的新3D模型，并且产生所述新3D模型的特征向量；所述系统还包括：查询模块，被配置成：将每个所述特征向量与所述特征描述符数据库的所...

【专利技术属性】
技术研发人员：本杰明，
申请(专利权)人：西门子工业软件有限公司，
类型：发明
国别省市：