【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及三维特征提取方法、装置、电子设备以及可读存储介质。
技术介绍
1、3d智能检索在工业领域具有重要应用价值，而3d模型特征提取是3d智能检索的核心环节。另外，3d模型特征提取也可应用于模型分类、3d模型局部分割等下游任务。
2、由于3d模型形状各异，对大量的3d模型进行人为标注成本昂贵。此外，现有的针对标注数据的监督学习存在迁移学习困难和泛化性较弱的问题。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供三维特征提取方法、装置、电子设备以及计算机可读存储介质，以解决现有技术中针对标注数据的监督学习存在迁移学习困难和泛化性较弱的问题。
2、本专利技术其中一个实施例提供了一种三维特征提取方法，包括以下步骤：
3、获取起始3d模型的点云模型pi和若干张多视图；
4、将经预处理后的所述点云模型pi输入至预设dgcnn模型中，得到点云模型pi的特征向量zi；
5、将所述若干张多视图输入至预设mvcnn模型中，得到512维度的特征向量hi；
6、通过simclr损失函数和vicreg损失函数控制特征向量的学习。
7、在本实施例中，通过获取起始3d模型的点云模型pi和多视图，并通过使用dgcnn和mvcnn神经网络分别对点云模型pi和多视图进行特征提取，能够更好地提取3d模型的特征向量，并通过自监督学习机制对海量无标签3d模型数据的利用，可以很好地解决模型的泛化性问题，而少量
8、在其中一个实施例中，获取起始3d模型的点云模型pi和若干张多视图，包括：
9、使用open3d开源工具读取三维cad模型mi，得到5000×6点云模型pi；
10、使用开源渲染工具对三维cad模型mi进行渲染，生成所述若干张多视图。
11、在其中一个实施例中，使用开源渲染工具对三维cad模型mi进行渲染，包括：
12、在三维cad模型mi的三个维度切面以及两个极点对模型进行渲染采样；其中，每个维度切面间隔60°方位角，三个切面维度角切面包括45°、90°和135°。
13、在其中一个实施例中，将经预处理后的所述点云模型pi输入至预设dgcnn模型中，得到点云模型pi的特征向量zi，包括：
14、从5000×6点云模型pi中随机采样2个2048×6点云数据；
15、对2个2048×6点云数据进行增强处理，得到点云模型和点云模型
16、使用dgcnn对点云模型和点云模型进行特征提取，分别得到特征向量与特征向量
17、根据特征向量与特征向量的均值，确定点云模型pi的特征向量zi。
18、在其中一个实施例中，对2个2048×6点云数据进行增强处理，包括：
19、对2个2048×6点云数据进行随机旋转和/或拉伸处理。
20、在其中一个实施例中，通过simclr损失函数和vicreg损失函数控制特征向量的学习，包括：
21、使用simclr损失函数和vicreg损失函数控制特征向量与特征向量趋近；
22、使用simclr损失函数和vicreg损失函数控制特征向量zi与特征向量hi趋近。
23、在其中一个实施例中，将所述若干张多视图输入至预设mvcnn模型中，包括：
24、构建模型分层分类框架，针对每个分类收集若干个三维模型，形成具有分类标签的微调训练数据；
25、使用经自监督机制预训练的mvcnn模型，并通过微调训练数据进行分层分类微调训练，得到预设mvcnn模型；
26、使用所述预设mvcnn模型对所述若干张多视图进行特征提取。
27、本专利技术其中一个实施例还提供了一种三维特征提取装置，包括：
28、获取模块，用于获取起始3d模型的点云模型pi和若干张多视图；
29、第一输入模块，用于将经预处理后的所述点云模型pi输入至预设dgcnn模型中，得到点云模型pi的特征向量zi；
30、第二输入模块，用于将所述若干张多视图输入至预设mvcnn模型中，得到512维度的特征向量hi；
31、控制模块，用于通过simclr损失函数和vicreg损失函数控制特征向量的学习。
32、在本实施例中，三维特征提取方法的优势和有益效果，已在上述进行阐述，在此不再赘述，且由于三维特征提取装置使用三维特征提取方法，其三维特征提取装置同样具有相同的优势和有益效果。
33、本专利技术其中一个实施例还提供了一种可读存储介质，可读存储介质中存储有计算机程序，计算机程序包括程序指令，程序指令当被电子设备的处理器执行时，使处理器执行如上任意一种所述的三维特征提取方法的步骤。
34、本专利技术其中一个实施例还提供了一种电子设备，包括：处理器和存储器，存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，当处理器执行所述计算机指令时，电子设备执行如上任意一种所述的三维特征提取方法的步骤。
本文档来自技高网...【技术保护点】
1.一种三维特征提取方法，其特征在于，包括以下步骤：
2.如权利要求1所述的三维特征提取方法，其特征在于，获取起始3D模型的点云模型Pi和若干张多视图，包括：
3.如权利要求2所述的三维特征提取方法，其特征在于，使用开源渲染工具对三维CAD模型Mi进行渲染，包括：
4.如权利要求2所述的三维特征提取方法，其特征在于，将经预处理后的所述点云模型Pi输入至预设DGCNN模型中，得到点云模型Pi的特征向量Zi，包括：
5.如权利要求4所述的三维特征提取方法，其特征在于，所述对2个2048×6点云数据进行增强处理，包括：
6.如权利要求4所述的三维特征提取方法，其特征在于，所述通过SimCLR损失函数和VICREG损失函数控制特征向量的学习，包括：
7.如权利要求1所述的三维特征提取方法，其特征在于，将所述若干张多视图输入至预设MVCNN模型中，包括：
8.一种三维特征提取装置，其特征在于，包括：
9.一种电子设备，包括：处理器和存储器，其特征在于，存储器用于存储计算机程序代码，计算机程序代码
10.一种可读存储介质，可读存储介质中存储有计算机程序，其特征在于，计算机程序包括程序指令，程序指令当被电子设备的处理器执行时，使处理器执行如权利要求1-7任意一种所述的三维特征提取方法的步骤。
...【技术特征摘要】
1.一种三维特征提取方法，其特征在于，包括以下步骤：
2.如权利要求1所述的三维特征提取方法，其特征在于，获取起始3d模型的点云模型pi和若干张多视图，包括：
3.如权利要求2所述的三维特征提取方法，其特征在于，使用开源渲染工具对三维cad模型mi进行渲染，包括：
4.如权利要求2所述的三维特征提取方法，其特征在于，将经预处理后的所述点云模型pi输入至预设dgcnn模型中，得到点云模型pi的特征向量zi，包括：
5.如权利要求4所述的三维特征提取方法，其特征在于，所述对2个2048×6点云数据进行增强处理，包括：
6.如权利要求4所述的三维特征提取方法，其特征在于，所述通过simclr损失函...
【专利技术属性】
技术研发人员：邵军，容汉铿，曾建力，林黄智，赖官壬，谢巧琳，余柳平，张晴浩，李楠，
申请(专利权)人：粤港澳大湾区广东国创中心，
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。