[发明专利]一种基于图注意力网络的三维网格模型分割方法及系统

权利要求书

1.一种基于图注意力网络的三维网格模型分割方法，其特征在于，包括：

步骤S1：根据输入的三维网格模型的顶点几何信息，构建每个所述顶点的低层特征矩阵；

步骤S2：构建特征编码器和解码器模型；将所述低层特征矩阵输入所述特征编码器和解码器模型进行训练，得到训练好的编码器和解码器；

步骤S3：将所述低层特征矩阵输入所述训练好的编码器，得到高层特征矩阵；

步骤S4：根据所述三维网格模型的顶点和边构建图结构，根据所述图结构及其注意力网络，对所述高层特征矩阵进行优化，得到优化的高层特征矩阵；

步骤S5：根据预设的子分割网格个数，将所述优化的高层特征矩阵进行聚类，得到多个子分割网格，实现对所述三维网格模型的分割。

2.根据权利要求1所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S1：构建每个所述顶点的低层特征矩阵，包括：

步骤S11：计算形状直径函数；

步骤S12：计算平均测地距离；

步骤S13：计算共形因子；

步骤S14：计算尺度不变的热核特征；

步骤S15：计算谱图小波特征；

步骤S16：将上述顶点的几何特征组合成k维低层特征向量x_i，进而组成n×k维低层特征矩阵X＝[x₁,x₂,…,x_n]^T。

3.根据权利要求2所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S2中所述特征编码器和解码器模型包含输入层、隐含层和输出层；

其中，步骤S2中将所述低层特征矩阵输入所述特征编码器和解码器模型进行训练，包括：

步骤S21：将所述低层特征矩阵X＝[x₁,x₂,…,x_n]^T输入所述输入层，编码器E通过下述映射函数(5)，将其投影到所述隐含层，输出隐含层向量R＝[r₁,r₂,…,r_n]^T；

R＝f(X)＝s_f(W₁X+b) (5)；

其中，W₁是k×k'权重矩阵；b∈R^k′是偏差向量；激活函数s_f为sigmoid函数：

步骤S22：解码器De通过下述映射函数(6)，将所述隐含层向量R＝[r₁,r₂,…,r_n]^T投影到所述输出层，得到输出向量H＝[h₁,h₂,…,h_n]^T:

其中,W₂是k'×k权重矩阵，是偏差向量，激活函数s_f为ReLU函数：ReLU(x)＝max(x,0)；

步骤S23：通过如下述公式(7)的损失函数，反向训练所述特征编码器和解码器模型，直到所述特征编码器和解码器模型收敛或者计算资源耗尽时，训练结束，得到训练好的编码器E和解码器De；

其中，x_ij是输入向量，h_ij是输出向量，n是层数。

4.根据权利要求1所述的基于图注意力网络的三维网格模型分割方法，其特征在于，所述步骤S3：将所述低层特征矩阵输入训练好的所述编码器，得到高层特征矩阵，具体包括：

将所述低层特征矩阵X＝[x₁,x₂,…,x_n]^T输入训练好的所述编码器E，得到高层特征矩阵P＝[p₁,p₂,…,p_n]^T。