申请/专利权人：同济大学

申请日：2021-06-23

公开（公告）日：2024-02-27

公开（公告）号：CN113656616B

主分类号：G06F16/51

分类号：G06F16/51;G06T17/00;G06N3/045;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.02.27#授权;2021.12.03#实质审查的生效;2021.11.16#公开

摘要：本发明涉及一种基于异构孪生神经网络的三维模型草图检索方法，包括以下步骤：S1：获取三维模型训练数据和草图训练数据；S2：利用两个模态独立网络别提取草图和三维模型的深度特征；S3：用一个模态共享网络将模态独立网络学习到的草图特征和三维模型特征映射到共享特征空间中；S4：利用训练完成的模态独立网络和模态共享网络提取查询草图特征和三维模型库中三维模型特征，进行草图和三维模型特征相似度计算并排序，得到检索结果。与现有技术相比，本发明具有有效克服跨模态差异性，网络设计简单易复现，为后续方法提高简单基线等优点。

主权项：1.一种基于异构孪生神经网络的三维模型草图检索方法，其特征在于，包括以下步骤：S1：获取三维模型训练数据和草图训练数据；S2：利用两个模态独立神经网络分别提取草图和三维模型的深度特征；S3：利用一个模态共享网络将模态独立网络学习到的草图和三维模型的深度特征映射到共享特征空间中；S4：利用训练完成的模态独立网络和模态共享网络提取查询草图特征和三维模型库中待检索三维模型特征，进行草图和三维模型特征相似度计算并排序，得到检索结果，其中，所述的步骤S3具体包括：S31：构建一个模态共享网络；S32：利用模态共享网络输出的深度特征以及类别信息构建基线损失函数；S33：利用模态共享网络和基线损失函数，将模态独立网络学习的草图深度特征和三维模型深度特征映射到一个共享的特征空间中，所述的模态共享网络将模态独立网络学到的草图深度特征和三维模型深度特征从原始的各自独立的特征空间映射到一个模态共享的特征空间中，所述的基线损失函数LB使具有相同类别信息的草图特征和三维模型特征在共享特征空间中对齐，所述的基线损失函数LB的表达式为： 其中，fi为模态共享网络输出的进入分类器特征，包括草图的深度特征和三维模型的深度特征；wi为模态共享网络最后一层分类器的权重；表示对深度特征fi进行归一化处理，表示对权重wi进行归一化处理；softmax表示softmax激活；函数c表示类别总数；τ表示缩放因子，对进入softmax激活函数的zi进行缩放，zi表示特征与该类中心的得分，t为目标类别，i表示第i个类别，所述的模态共享网络包括多层全连接网络，所述的模态共享网络的输入是草图、三维模型的深度特征，输出是映射后的特征。

全文数据：

权利要求：

百度查询： 同济大学 一种基于异构孪生神经网络的三维模型草图检索方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD