[发明专利]采用3D批归一化的三维（3D）卷积

权利要求书

1.一种在神经网络中对三维3D数据进行分类的计算机实现的方法，所述方法包括：

接收表征输入放射体的三维3D数据；

使用神经网络处理表征所述输入放射体的所述3D数据，其中所述神经网络包括以从最低到最高的序列布置的多个子网络，并且其中所述使用神经网络处理所述3D数据包括通过所述序列中的每个所述子网络处理所述数据；

其中每个所述子网络被配置为：

接收由所述序列中的先前子网络生成的先前输出表示；

通过变化的卷积体的多个并行3D卷积层路径来处理所述先前输出表示；

通过并行的池化路径进一步处理所述先前输出表示；以及

级联所述3D卷积层路径和所述并行的池化路径的输出，以生成来自每个所述子网络的输出表示；

在通过所述子网络处理所述数据之后，通过池化层处理最高子网络的输出，以从所述输入放射体生成降低垂直维度的输出；以及

基于所生成的降低垂直维度的输出对所接收到的3D数据进行分类。

2.根据权利要求1所述的方法，其中所述池化路径是3D最大池化路径。

3.根据权利要求1所述的方法，其中所述池化层是垂直最大池化层。

4.根据权利要求1所述的方法，其中所述3D数据表示3D模型数据、CAD(计算机辅助制图)模型数据或3D点云。

5.根据权利要求1所述的方法，其中第一3D卷积层路径是3×3卷积，其从所述3D数据提取半全局特征。

6.根据权利要求1所述的方法，其中第二3D卷积层路径是5×5卷积，其从所述3D数据提取全局特征。

7.根据权利要求1所述的方法，其中第三3D卷积层路径是1×1卷积，其从所述3D数据提取局部特征。

8.根据权利要求1所述的方法，还包括：在由所述子网络处理之前，将在先的一个或更多个3D和/或2D卷积应用于所述输入放射体。

9.根据权利要求1所述的方法，还包括：在由所述子网络处理之前，将在先的一个或更多个3D和/或2D池化操作应用于所述输入放射体。

10.根据权利要求1所述的方法，还包括：在由所述子网络处理之后，将后处理的一个或更多个3D和/或2D卷积应用于所述输入放射体。

11.根据权利要求1所述的方法，还包括：在由所述子网络处理之后，将后处理的一个或更多个3D和/或2D池化操作应用于所述输入放射体。

12.根据权利要求1所述的方法，还包括：

通过3D批归一化来调节所述子网络中的所述3D卷积层路径的所述输出表示，

其中所述3D批归一化独立地应用于由所述神经网络生成的替代特征体表示中的各个特征并且基于分批应用，

其中，对于批中的所述替代特征体表示，所述3D批归一化缩放和移位图像数据值，使得归一化的替代特征体表示具有所述图像数据值的零均值和单位方差。

13.根据权利要求12所述的方法，还包括通过具有可学习的缩放和移位参数的参数化的非线性激活立即处理所述归一化的替代特征体表示，通过所述可学习的缩放和移位参数训练所述神经网络可抵消所述3D批归一化。

14.一种非暂时性计算机可读存储介质，载有计算机程序指令，当在处理器上执行所述指令时，使得所述处理器实现权利要求1-13中任一项所述的方法。

15.一种系统，包括耦合到存储器的一个或更多个处理器，和用于实现权利要求1-13中任一项所述的方法的装置。