[发明专利]基于端到端深度集成学习网络的三维模型分类方法

权利要求书

1.基于端到端深度集成学习网络的三维模型分类方法，其特征在于：该方法是采用端到端的深度学习集成策略，输入一个三维网格模型，提取多视图表征，建立包含基学习器和集成学习器的集成深度学习网络，自动提取三维模型的复合特征，完成模型分类；其包括以下步骤：

S1、选用普林斯顿刚性三维模型数据集Princeton ModelNet Dataset，分别针对ModelNet10和ModelNet40，从官网选取所需数量的模型作为训练数据和测试数据，生成训练集和数据集；

S2、对选取的三维模型进行二维视图渲染，构建给定mesh网格的多视图表征V＝{vi,1≤i≤N}，其中N为视图数目；

S3、构建集成深度学习网络，选择所需的基学习器，并构造集成学习器；其中，所述基学习器需要完成初始决策，综合考虑三维模型库及其对应二维视图的规模及复杂性，选择CaffeNet作为面向单个二维视图分类的深度学习模型；所述集成学习器需要完成最终决策，综合集成基于各个视图的初始决策，形成对三维模型分类的最终决策，集成学习器共包含三层，第一层为集成层，后两层为全连接层，为了避免深度学习网络训练中出现过拟合，每个全连接层后有一个Dropout层；

S4、建立一个级联损失函数，有效平衡基学习器和集成学习模块的学习能力，实现复杂三维模型复合信息的有效提取；

S5、扩充训练数据，减少网络的过拟合，提高预测的鲁棒性；

S6、针对集成深度学习网络EnsembleNet的网络架构，通过基学习器预训、整体网络初训、集成学习器调优的步骤进行层次迭代式训练；

S7、利用步骤S6中的层次迭代式训练方法，得到实验所需训练样本；

S8、将训练样本输入到深度集成网络EnsembleNet，得到最后的分类准确率。

2.根据权利要求1所述的基于端到端深度集成学习网络的三维模型分类方法，其特征在于：在步骤S1中，选用Princeton ModelNet Dataset，采用官网数据，针对ModelNet10和ModelNet40分别选取3991、9843个模型作为训练数据，908、2468个模型作为测试数据，库内所有模型均按照Z轴方向正确摆放。

3.根据权利要求1所述的基于端到端深度集成学习网络的三维模型分类方法，其特征在于：在步骤S3中，所述基学习器的CaffeNet共包含9层，第一层为输入层，第二至八层为隐藏层，第九层为输出层，各层结构如下：

第一层，输入层：将通过数据增广获得的增广视图作为训练样本输入到网络；

第二层，隐藏层：包含一个卷积层、一个激活函数层、一个池化层和一个局部相应归一化层；

第三层，隐藏层：包含一个卷积层、一个激活函数层、一个池化层和一个局部相应归一化层；

第四层，隐藏层：包含一个卷积层和一个激活函数层；

第五层，隐藏层：包含一个卷积层和一个激活函数层；

第六层，隐藏层：包含一个卷积层、一个激活函数层和一个池化层；

第七层，隐藏层：包含一个全连接层、一个激活函数层和一个DropOut层；

第八层，隐藏层：包含一个全连接层、一个激活函数层和一个DropOut层；

第九层，输出层：包含一个全连接层和一个Softmax层。