【技术实现步骤摘要】
神经网络模型训练方法、矢量化三维模型建立方法及设备
[0001]本申请实施例涉及人工智能(artificial intelligence,AI)领域，尤其涉及一种神经网络模型训练方法、矢量化三维模型建立方法及设备。
技术介绍
[0002]矢量化三维模型是诸多任务的基础数据，比如定位与导航、室内设计、虚拟现实等，不同于稠密的三维点云，矢量化三维模型是高度抽象的结构化三维模型，因此通常需要人工干预才能获得较好的结果。
[0003]目前主流的矢量化三维模型重建方案主要包括两种，分别为基于激光扫描仪的方案和基于影像的方案，两者均以重建出稠密的三维点云为目标。
[0004]但是前者设备和采集成本极高，而后者易受弱纹理等干扰，重建完整度低，矢量化三维模型需要进一步人工勾画处理才能获得。
技术实现思路
[0005]本申请实施例提供一种神经网络模型训练方法、矢量化三维模型建立方法及设备，用于低成本自动化重建矢量化三维模型，提升弱纹理区域的重建效果。本申请实施例还提供了相应的计算机设备、计算机可读存储介质及芯片...
【技术保护点】
【技术特征摘要】
1.一种神经网络模型训练方法，其特征在于，包括：获取训练样本，所述训练样本包括样本图像、样本对象的目标矢量化三维模型和预设相机的相机参数，所述样本图像为所述预设相机拍摄所述样本对象得到的；基于所述训练样本对第一神经网络模型进行训练，所述第一神经网络模型用于得到所述样本图像的初始矢量化三维模型；根据所述初始矢量化三维模型和所述目标矢量化三维模型的偏差对所述第一神经网络模型进行迭代更新得到第二神经网络模型，所述第二神经网络模型用于预测目标对象的矢量化三维模型；其中，所述初始矢量化三维模型为多个初始平面进行相交得到的，所述多个初始平面是根据初始布局和所述相机参数确定的，所述初始布局为所述第一神经网络模型根据所述样本图像确定。2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型用于确定所述多个初始平面中每个初始平面附近的多个备选平面，并从所述多个初始平面和所述多个备选平面中确定多个目标平面，所述第一神经网络模型具体用于将所述多个目标平面进行相交得到初始矢量化三维模型。3.根据权利要求2所述的方法，其特征在于，所述样本图像为多视角影像数据，所述样本图像为多张，所述第一神经网络模型具体还用于获取所述多张样本图像的一致性代价，并根据所述一致性代价从所述多个初始平面和所述多个备选平面中确定多个目标平面。4.根据权利要求3所述的方法，其特征在于，所述第一神经网络模型具体还用于通过特征提取网络提取所述多张样本图像中每个像素的特征向量，根据所述相机参数、所述多个初始平面和所述多个备选平面进行以平面为基元的可微映射，得到所述多张样本图像间的对应关系，并根据所述特征向量和所述对应关系以平面为基本单元得到所述一致性代价。5.根据权利要求4所述的方法，其特征在于，所述第一神经网络模型具体还用于通过语义分割网络得到所述多张样本图像的语义分割结果，通过自适应权值网络得到所述多张样本图像的自适应权值，并将所述语义分割结果和所述自适应权值作为目标权值对所述一致性代价进行加权累计。6.根据权利要求5所述的方法，其特征在于，所述第一神经网络模型具体还用于将深度图真值作为所述可微映射和所述加权累计的弱监督信号，所述深度图真值通过扫描所述多张样本图像得到。7.一种矢量化三维模型建立方法，其特征在于，包括：获取目标图像和预设相机的相机参数，所述目标图像为所述预设相机拍摄目标对象得到的；将所述目标图像和所述相机参数输入至目标神经网络模型以预测所述目标对象的矢量化三维模型；其中，所述目标对象的矢量化三维模型为多个初始平面进行相交得到的，所述多个初始平面是根据初始布局和所述相机参数确定的，所述初始布局为所述目标神经网络模型根据所述目标图像确定。8.根据权利要求7所述的方法，其特征在于，所述目标神经网络模型还用于确定所述多个初始平面中每个初始平面附近的多个备选平面，并从所述多个初始平面和所述多个备选
平面中确定多个目标平面，所述目标神经网络模型具体用于将所述多个目标平面进行相交得到所述矢量化三维模型。9.根据权利要求8所述的方法，其特征在于，所述目标图像为多视角影像数据，所述目标图像为多张，所述目标神经网络模型具体还用于获取所述多张目标图像的一致性代价，并根据所述一致性代价从所述多个初始平面和所述多个备选平面中确定多个目标平面。10.根据权利要求9所述的方法，其特征在于，所述目标神经网络模型具体还用于通过特征提取...
【专利技术属性】
技术研发人员：胡志华，黄经纬，张彦峰，孙明伟，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。