[发明专利]一种基于残差卷积网络的网格分类方法及系统

说明书

本发明公开了一种基于残差卷积网络的网格分类方法及系统，涉及3D实体网格处理的技术领域，包括：获取三维网格模型数据，构建网格分类模型；利用第一卷积层对网格的每条边进行几何特征提取，获得边缘特征；利用残差网络块对边缘特征进行处理，获得网格特征，与边缘特征进行加和操作，获得批处理特征张量；利用网格池化层根据批处理特征张量对边进行合并操作，获得合并特征向量；利用平均池化层对合并特征向量进行下采样后，输入全连接层，获得相应三维网格模型的分类结果。本发明通过构建网格分类模型，引入与三维网格模型属性相协调的残差和网格池化操作，使模型直接应用于不规则的流形网格上，避免转换为规则和统一的表示，分类准确度更高。

技术领域

本发明涉及3D实体网格处理的技术领域，更具体地，涉及一种基于残差卷积网络的网格分类方法及系统。

背景技术

三维图形是计算机辅助工程等相关领域的主要中间产品。出于计算量的考虑因素，为了方便数据处理，研究人员已经提出了三维形状的各种离散近似方法，并利用它们在一系列应用中表示形状。多边形网格表示(简称网格)是比较流行的3D实体表现形式，通过3D空间中的一组2D多边形来近似曲面。网格提供了一种有效的、不均匀的形状表示。一方面只需要少量的多边形就可以捕捉大型、简单的表面；另一方面，在需要时，表现灵活性支持更高的分辨率，允许对几何上通常复杂的显著形状特征进行忠实的重建或描绘。网格的另一个优势特性是对连接信息进行编码的固有能力。近年来，在图像上使用卷积神经网络(Convolutional Neural Network，CNN)在分类和语义分割等任务中表现出了出色的性能。它们成功的秘诀是结合了卷积、非线性和池化层，从而形成一个对输入的不相关变化不变的框架。深度卷积神经网络在图像分类领域取得了一系列的突破。许多其它的视觉识别任务都得益于非常深的模型。当深层网络能够收敛时，一个退化问题又出现了：随着网络深度的增加，准确率达到饱和然后迅速退化，而退化并不是由过拟合造成的；并且，在一个合理的深度模型中增加更多的层却导致了更高的错误率。

现有技术公开了一种基于多模态特征融合的三维对象融合特征表示方法，该申请将三种模态的三维模型特征表示，都做了一个非常细致的实现和复现：三维模型的多视图特征表示、点云特征表示以及网格特征表示。对多模态三维数据进行了处理、增强和融合，并基于此提取出了三维对象的融合特征表示。该申请虽然融合了多模态信息，实现更加鲁棒的三维模型特征表示，但处理步骤复杂，忽视了流形网格的不规则性，分类准确性低。

发明内容

本发明为克服上述现有技术对直接应用于三维网格模型进行分类时，分类准确性低缺陷，提供一种基于残差卷积网络的网格分类方法及系统。

为解决上述技术问题，本发明的技术方案如下：

本发明提供了一种基于残差卷积网络的网格分类方法，包括：

S1：获取三维网格模型数据，每个所述三维网络模型由若干流形网格组成；

S2:构建网格分类模型,包括依次连接的第一卷积层、若干残差网络块、网格池化层、平均池化层和全连接层；

S3：将三维网格模型数据输入网格分类模型，利用第一卷积层对流形网格的每条边进行几何特征提取，获得边缘特征；

S4：利用所述残差网络块对边缘特征进行处理，获得网格特征，并与边缘特征进行加和操作，获得批处理特征张量；

S5：利用所述网格池化层根据批处理特征张量对边进行合并操作，获得合并特征向量；

S6：利用所述平均池化层对合并特征向量进行下采样后，输入全连接层，获得相应三维网格模型的分类结果。

优选地，所述流形网格为三角形网格，每个三角形网格作为一个面，由顶点和边组成，相邻三角形网格共用一条边；对于任意一条共用边e，所在的两个三角形网格中的顶点按照逆时针顺序排列，则其余四条边为邻居边，记为a,b,c,d，邻居边排序为(a,b,c,d)或(c,d,a,b)。