申请/专利权人：北方民族大学

申请日：2022-05-25

公开（公告）日：2024-03-29

公开（公告）号：CN114911967B

主分类号：G06F16/583

分类号：G06F16/583;G06V10/42;G06V10/44;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/0499;G06N3/084;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2022.09.02#实质审查的生效;2022.08.16#公开

摘要：本发明公开了一种基于自适应域增强的三维模型草图检索方法，可有效嵌入到现有的跨域检索框架中，在特征提取过程中捕获跨域互信息增强的全局特征，在域内通过双线性池化学习增强局部判别特征，并且通过对抗学习完成自适应的特征融合，使网络自适应地关注全局特征和局部特征中更具区分性的表示特征，进一步适应输入草图的多样性，提高检索性能。

主权项：1.一种基于自适应域增强的三维模型草图检索方法，其特征在于，包括以下步骤：S1、基础网络从草图和三维模型多视图图像中分别提取出对应域的语义特征，产生初始特征向量x1和x2，其中上标1和2分别表示来自于草图域和三维模型域；对特征向量x1和x2进行拼接操作，获得混合特征向量xb；S2、对混合特征向量xb同时进行三个卷积操作，构造出三个域间嵌入特征空间ψxb、ξxb、ζxb；然后对特征空间ψxb进行平均池化操作，对特征空间ξxb进行最大池化操作；将特征空间ψxb、ξxb经过池化操作后得到的显著特征进行矩阵计算，求出混合特征相关性矩阵B，B表示了域间特征的相关程度；S3、将混合特征相关性矩阵B和跨域特征空间ζxb相乘得到的域间相关性特征与混合特征向量xb相加，获得细化的混合特征向量oxb，oxb表示了跨域特征间的相关性；S4、通过全局池化操作与一个非线性映射层φ·对细化的混合特征向量oxb进行压缩，然后通过激活函数生成域间增强注意力权重ac，ac表示了跨域特征的域间增强注意力权重；S5、将初始特征向量x1和x2通过平均池化操作获得初始特征fg,1和fg,2；将域间增强注意力权重ac与初始特征fg,1和fg,2进行点乘，并通过一层全连接层进行降维压缩，获得初始判别特征fa,1和fa,2；S6、基础网络从草图和三维模型多视图图像中分别提取出对应域的语义特征，产生三个初始特征向量其中m∈{1,2}表示特征来自于草图域和三维模型域；然后同时进行三个卷积操作，构造出三个域内嵌入特征空间和使用这三个不同的嵌入特征空间代替单一的特征空间，使网络更好地动态学习域内特征之间的相关性；S7、通过元素乘法集成扩展特征以捕获域内局部特征的交互，之后通过平均池化操作高维特征压缩为紧凑特征Δ1,m、Δ2,m、Δ3,m；并通过线性映射生成域内增强的局部判别性特征fd,m，即fd,1和fd,2；S8、通过构造多层线性映射将fg,1、fg,2、fd,1和fd,2进行对抗学习，使网络能够根据不同的输入，自适应地从全局特征和局部特征中学习输入图像的判别性表示；S9、为了与初始判别特征fa,1和fa,2区别表示，定义经过对抗学习后网络获得的最终判别特征为和在此基础上构建联合损失函数，减小了跨域特征间的巨大差异性，提高了检索性能。

全文数据：

权利要求：

百度查询： 北方民族大学 一种基于自适应域增强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