本发明专利技术适用于机器视觉技术领域，提供了一种多分辨率函数映射的非刚性形状匹配方法及系统，非刚性形状匹配方法包括以下步骤：S1、将第一形状和第二形状送入表面特征学习网络中，获得对应输出的第一特征和第二特征，并进行映射计算，得到一组具有不同分辨率的中间函数映射图；S2、构建一个频谱注意力网络；S3、将获取的不同分辨率的中间函数映射图输入到频谱注意力网络中，得到最终特征图的输出；S4、构建不同分辨率函数和最终特征图的输出的损失函数，将各个部分的损失函数相加，依据损失函数进行反向传播更新频谱注意力网络的权重值的参数。本发明专利技术能够可以适应不同分辨率的映射图的输入，可以获得较好的形状匹配效果。
【技术实现步骤摘要】
本专利技术涉及机器视觉，具体涉及一种多分辨率函数映射的非刚性形状匹配方法及系统。
技术介绍
1、形状匹配是3d形状分析中的一项关键任务，对于广泛的下游应用至关重要，包括配准、变形和纹理转移。鲁棒形状匹配的算法挑战主要在于形状可能会发生显著变化，例如任意非刚性变形。早期处理非刚性形状对应关系的工作通常建立在手工制作的特征和管道上，而随着深度学习的出现，研究重点主要转向数据驱动和基于学习的方法，以提高匹配鲁棒性和准确性。为了学习非刚性形状匹配，越来越多的提倡使用光谱技术。
2、现多数研究技术人员由于技术的原因，形状估计的方法还是采用单一光谱分辨率(所使用的基函数的数量)学习函数图的方法，而这检测的方法存在以下问题：(1)当使用不同的分辨率的映射图进行训练时，形状匹配性能会显著波动。(2)需手动调节映射图的分辨率，导致模型的泛化性能差。
技术实现思路
1、本专利技术提供一种多分辨率函数映射的非刚性形状匹配方法，可以适应不同分辨率的映射图的输入，可以获得较好的形状匹配效果。
>2、第一方面，本专本文档来自技高网...
【技术保护点】
1.一种多分辨率函数映射的非刚性形状匹配方法，其特征在于，所述非刚性形状匹配方法包括以下步骤：
2.如权利要求1所述的多分辨率函数映射的非刚性形状匹配方法，其特征在于，在所述S1中，所述表面特征学习网络为DiffusionNet网络。
3.如权利要求1所述的多分辨率函数映射的非刚性形状匹配方法，其特征在于，在所述S1中，通过使用可微FMReg模块对所述第一特征和所述第二特征进行映射计算。
4.如权利要求1所述的多分辨率函数映射的非刚性形状匹配方法，其特征在于，所述S2具体还包括以下子步骤：
5.如权利要求4所述的多分辨率函数映射的非刚性形状...
【技术特征摘要】
1.一种多分辨率函数映射的非刚性形状匹配方法，其特征在于，所述非刚性形状匹配方法包括以下步骤：
2.如权利要求1所述的多分辨率函数映射的非刚性形状匹配方法，其特征在于，在所述s1中，所述表面特征学习网络为diffusionnet网络。
3.如权利要求1所述的多分辨率函数映射的非刚性形状匹配方法，其特征在于，在所述s1中，通过使用可微fmreg模块对所述第一特征和所述第二特征进行映射计算。
4.如权利要求1所述的多分辨率函数映射的非刚性形状匹配方法，其特征在于，所述s2具体还包括以下子步骤：
5.如权利要求4所述的多分辨率函数映射的非刚性形状匹配方法，其特征在于，所述s2还包括以下子步骤：
6.如权...
【专利技术属性】
技术研发人员：李泽辉，杨海东，吴均城，王华龙，
申请(专利权)人：佛山市南海区广工大数控装备协同创新研究院，
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。