【技术实现步骤摘要】
本专利技术属于三维形状分割，具体涉及一种基于自训练的半监督三维形状分割方法和装置。
技术介绍
1、三维形状分割任务涉及将三维形状划分为有意义的部分，对于高效处理三维形状至关重要。它使人们能够更轻松地理解形状的内在特性，例如其拓扑结构。各种任务，包括网格编辑、建模、变形、以及形状检索等，都依赖于三维形状分割以获得令人满意的结果。因此，形状分割已经成为最受欢迎和充满挑战的研究领域之一。
2、传统的三维形状分割方法通常包括三个主要步骤。首先，使用手工制作的形状描述符将形状上的每个面映射到相应的特征向量；随后，在特征空间中应用聚类或分类方法来为每个特征向量分配标签；最后，根据相应的特征向量的标签，对三维形状中的每个面进行标记。
3、随着机器学习的最新进展，促进了基于学习的分割方法的发展，特别是基于深度学习架构的方法。与传统的几何优化方法相比，现有机器学习的分割方法在性能上表现出了显著的改进。尽管基于学习的分割方法，特别是深度学习方法，已经取得了令人印象深刻的成果，但它们存在一个主要缺点，即需要大量与目标形状相似的完全标记...
【技术保护点】
1.一种基于自训练的半监督三维形状分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自训练的半监督三维形状分割方法，其特征在于，利用第一数据集对学生网络进行全监督的初始训练，包括：
3.根据权利要求1所述的基于自训练的半监督三维形状分割方法，其特征在于，对伪标签进行置信度评估，包括：
4.根据权利要求3所述的基于自训练的半监督三维形状分割方法，其特征在于，依据置信度评估结果将伪标签分为高置信度伪标签和低置信度伪标签，包括：
5.根据权利要求1所述的基于自训练的半监督三维形状分割方法，其特征在于，利用高置信...
【技术特征摘要】
1.一种基于自训练的半监督三维形状分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于自训练的半监督三维形状分割方法，其特征在于，利用第一数据集对学生网络进行全监督的初始训练，包括：
3.根据权利要求1所述的基于自训练的半监督三维形状分割方法，其特征在于，对伪标签进行置信度评估，包括：
4.根据权利要求3所述的基于自训练的半监督三维形状分割方法，其特征在于，依据置信度评估结果将伪标签分为高置信度伪标签和低置信度伪标签，包括：
5.根据权利要求1所述的基于自训练的半监督三维形状分割方法，其特征在于，利用高置信度伪标签及其对应的三维形状对学生网络进行全监督的再次训练时，采用学生网络对三维形状进行分割的预测概率与高置信度伪标签的交叉熵损失，利用依据交叉熵损失更新学生网络参数，实现全监督的再次训练。
6.根据权利要求1所述的基于自训...
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。