[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

说明书

本发明公开一种基于图注意力网络的三维网格模型分割方法及系统，其方法包括：S1：根据三维网格模型的顶点几何信息，构建其低层特征矩阵；S2：构建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；S3：将低层特征矩阵输入训练好的编码器，得到高层特征矩阵；S4：根据三维网格模型的顶点和边构建图结构，及其注意力网络，对高层特征矩阵进行优化；S5：根据预设的子分割网格个数，将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。本发明公开的方法，基于图的深度学习来完成三维网格分割任务。本发明的特征编码器和解码器模型,基于图的注意力网络，在各种场景中可以减少过分割的情况。

技术领域

本发明涉及三维网格处理领域，具体涉及一种基于图注意力深度学习模型和无监督学习的三维网格处理方法的分割方法及系统。

背景技术

在当前日新月异的数字化时代，将图形蕴藏并展示出来成为计算机图形学的发展动力。随着计算机技术、计算机辅助设计技术的发展，在工程制图、视频游戏、科学研究和生物医学等领域中三维模型的数量呈爆炸式增长。三维模型的优点是更加贴近现实世界，在不同的领域、不同的应用场景下都显示出其直观、高效的特点。也正是因为这些原因，三维模型的应用和处理成为目前的重要问题。

网格模型分割任务属于三维网格处理领域，传统的网格分割任务，主要是利用网格的基础属性来完成分割任务，包括：根据不同的三维网格特征采取不同的分割约束，具体的：一部分利用网格的基础属性，例如分割后子网格的个数是否平均，一部分使用网格的几何特征，如面积、中心轴周长、凸度等，还有一部分利用网格的拓扑属性，将图论知识引入当前问题，如限定同胚于圆盘等。但总体来说这些方法往往聚焦于网格的一部分特征，并不能对网格分割线的选取起到决定性的作用。而且网格分割方法因其所在三维空间计算理论艰深、几何度量困难以及传统算法效率的桎梏成为模型处理一大难题。

因此，如何更高效地对三维网格进行分割，成为一个亟待解决的问题。

发明内容

为了解决上述技术问题，本发明提供一种基于图注意力网络的三维网格模型分割方法及系统。

本发明技术解决方案为：一种基于图注意力网络的三维网格模型分割方法，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训练好的所述编码器，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。

本发明与现有技术相比，具有以下优点：

1、本发明公开了一种基于图注意力网络的三维网格模型分割，基于图的深度学习理论知识来完成三维网格处理领域的三维网格分割任务，相较于传统的三维网格分割方法是完全从另一个角度对带有几何信息三角网格进行分割的一种尝试。且在实际应用中获得了一定效果。

2、本发明所构建的特征编码器和解码器模型，已经在大量的无监督任务中得到检验，基于图的注意力网络在其各种应用场景中也有较好的效果，可以减少过分割的情况，减少后续的工作量。

3、本发明使用了无监督学习的方式，一方面克服了三维网格本身没有信息标注的缺陷，可以从大量的无标注几何信息学习到更多特征。另一方面也解决了监督学习在数据量不足的情况下容易出现的过拟合现象。

附图说明