【技术实现步骤摘要】
一种基于残差卷积网络的网格分类方法及系统
[0001]本专利技术涉及3D实体网格处理的
，更具体地，涉及一种基于残差卷积网络的网格分类方法及系统。
技术介绍
[0002]三维图形是计算机辅助工程等相关领域的主要中间产品。出于计算量的考虑因素，为了方便数据处理，研究人员已经提出了三维形状的各种离散近似方法，并利用它们在一系列应用中表示形状。多边形网格表示(简称网格)是比较流行的3D实体表现形式，通过3D空间中的一组2D多边形来近似曲面。网格提供了一种有效的、不均匀的形状表示。一方面只需要少量的多边形就可以捕捉大型、简单的表面；另一方面，在需要时，表现灵活性支持更高的分辨率，允许对几何上通常复杂的显著形状特征进行忠实的重建或描绘。网格的另一个优势特性是对连接信息进行编码的固有能力。近年来，在图像上使用卷积神经网络(Convolutional Neural Network，CNN)在分类和语义分割等任务中表现出了出色的性能。它们成功的秘诀是结合了卷积、非线性和池化层，从而形成一个对输入的不相关变化不变的框架。深度卷积神经网络...
【技术保护点】
【技术特征摘要】
1.一种基于残差卷积网络的网格分类方法，其特征在于，包括：S1：获取三维网格模型数据，每个所述三维网络模型由若干流形网格组成；S2:构建网格分类模型,包括依次连接的第一卷积层、若干残差网络块、网格池化层、平均池化层和全连接层；S3：将三维网格模型数据输入网格分类模型，利用第一卷积层对流形网格的每条边进行几何特征提取，获得边缘特征；S4：利用所述残差网络块对边缘特征进行处理，获得网格特征，并与边缘特征进行加和操作，获得批处理特征张量；S5：利用所述网格池化层根据批处理特征张量对边进行合并操作，获得合并特征向量；S6：利用所述平均池化层对合并特征向量进行下采样后，输入全连接层，获得相应三维网格模型的分类结果。2.根据权利要求1所述的基于残差卷积网络的网格分类方法，其特征在于，所述流形网格为三角形网格，每个三角形网格作为一个面，由顶点和边组成，相邻三角形网格共用一条边；对于任意一条共用边e，所在的两个三角形网格中的顶点按照逆时针顺序排列，则其余四条边为邻居边，记为a,b,c,d，邻居边排序为(a,b,c,d)或(c,d,a,b)。3.根据权利要求2所述的基于残差卷积网络的网格分类方法，其特征在于，所述边缘特征为每条边的五维向量，包括二面角、第一内角、第二内角、第一边长比和第二边长比；所述二面角为该边所在的两个三角形网格形成的二面角；所述第一内角和第二内角分别为该边所在的两个三角形网格中，与该边相对的三角形内角；所述第一边长比和第二边长比分别为该边所在的两个三角形网格中，相对的两条边的长度的比值。4.根据权利要求3所述的基于残差卷积网络的网格分类方法，其特征在于，所述残差网络块的结构相同，均包括依次连接的GEMM层、第二卷积层和批量归一化层；GEMM层实现对边缘特征的多通道张量的卷积处理，将边缘特征展开为列矩阵，并将所有的边缘特征聚合到一个特征矩阵中；将该特征矩阵与标GEMM卷积权重矩阵相乘，获得输出矩阵，并将特征矩阵与输出矩阵相加，获得中间特征矩阵；第二卷积层和批量归一化层对中间特征矩阵一次进行信息提取和标准化处理，获得网格特征；将网格特征与边缘特征进行加和操作，获得批处理特征张量。5.根据权利要求4所述的基于残差卷积网络的网格分类方法，其特征在于，网格池化层根据批处理特征张量的强度进行优先级排序，对于强度最小的批处理特征张量对应的共用边e，对其所在的三角形网格的邻居边进行两次合并操作，获得合并特征向量：p
i
＝avg(a
i
,b
i
,e
i
)q
i
＝avg(c
i
,d
i
,e
i
)式中，e
i
表示第i条公用边，a
i
,b
i
,c
i
,d
i
分别表示第i条公用边的四邻居边，p
i
表示第i条公用边的第一合并特征向量，q
i
表示第i条公用边的第二合并特征向量。6.一种基于残差卷积网络的网格分类系统，其特征在于，包括：数据获取模块，用于获取三维网格模...
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。