[发明专利]基于组对深度特征学习的多视图三维模型检索方法及系统

权利要求书

1.基于组对深度特征学习的多视图三维模型检索方法，其特征在于，包括：

获取待检索三维模型不同角度的二维视图，提取每一个二维视图的初始视图描述符；

对上述的多个初始视图描述符进行聚合，获得最终的视图描述符；

分别提取最终的视图描述符的潜在特征和类别特征，其中，采用自编码器挖掘二维视图描述符的潜在特征，具体为：

定义改进的中心损失函数来减小类内数据的距离并增大类间数据的距离，所述中心损失函数具体为：

其中，c₊∈R^d表示特征相应的类中心，c_-∈R^d为距离类中心c₊最近的一个样本中心，d表示特征维度，δ表示距离边界；N表示批处理的大小，s_i表示自编码器网络的特征嵌入；函数L₂(·)表示L₂范式；F(s_i)表示encoder的输出，即潜在特征向量；

训练期间，将改进的中心损失函数与标签损失结合使用，具体为：

其中，y_i表示标签数据，L_CE表示用于对F(s_i)实例进行分类的交叉熵损失；

利用深度学习方法，重构损失如下：

其中，s_i表示第i个三维模型的视图描述符，N表示训练数据的个数；

将中心损失、标签损失和重构损失进行加权求和，以实现更加具有区别性和鲁棒性的特征表示；

将所述潜在特征和类别特征进行加权组合，形成形状描述符；

将得到的形状描述符与数据库中三维模型的形状描述符进行相似性计算，实现多视图三维模型的检索。

2.如权利要求1所述的基于组对深度特征学习的多视图三维模型检索方法，其特征在于，使用可扩展的卷积神经网络来提取三维模型的初始视图描述符，具体为：

每一个三维模型采用多视图表示；

多个视图分别输入到并行的参数共享卷积神经网络中；

对于每一个视图,卷积神经网络输出一个d维的特征向量；

每一个三维模型采用初始视图描述符来表示；所述初始视图描述符根据渲染顺序来堆叠所述特征向量得到。

3.如权利要求1所述的基于组对深度特征学习的多视图三维模型检索方法，其特征在于，利用生成对抗网络的判别器根据判别分数提取二维视图的类别特征，具体为：

设计n个基于生成对抗网络判别器来挖掘三维模型的类别特征F₂，判别器用D＝{D₁,D₂,D₃,…,D_n}来表示；

将三维模型的视图描述符作为判别器的输入；

假设数据的类标签y＝{y₁,y₂,y₃,…,y_n}和判别器D＝{D₁,D₂,D₃,…,D_n}之间是一一对应的关系，对于第i类特征数据而言，只有在对应的判别器D_i中被判别为1，在其他判别器中均为0。

4.如权利要求1所述的基于组对深度特征学习的多视图三维模型检索方法，其特征在于，将所述潜在特征和类别特征进行加权组合，形成形状描述符，具体为：

L_B＝αF₁+βF₂

其中，L_B为三维模型特征，F₁表示潜在特征，F₂表示类别特征，α和β分别表示权重系数。