[发明专利]基于图拓扑的三维网格模型分类方法、装置和存储介质

权利要求书

1.一种基于图拓扑的三维网格模型分类方法，其特征在于，包含以下步骤：

采用网格简化算法对输入的三维网格模型进行简化；

提取所述三维网格模型的图拓扑结构；获取所述图拓扑结构的节点和连边；

通过节点特征编码器对所述节点的坐标进行特征编码，得到第一特征向量；通过连边特征编码器对所述连边进行特征编码，得到第二特征向量；

将所述第二特征向量池化为单一特征，并将所述单一特征和所述第一特征向量拼接、共同编码并获得完整的节点特征；

结合所述图拓扑结构，利用图卷积神经网络将每个所述节点的邻居节点的特征融合到所述节点自身的特征；

对所述三维网格模型的所述节点特征进行全局池化，得到所述三维网格模型的单一特征表示；

将所述单一特征表示输入到分类网络中，得到所述三维网格模型的各个类别的预估概率。

2.根据权利要求1所述的一种基于图拓扑的三维网格模型分类方法，其特征在于，所述采用网格简化算法对输入的三维网格模型进行简化这一步骤具体为：

根据自适应的顶点聚类算法，执行循环体；所述循环体为：若所述第一网格数小于所述预设阈值，则不进行网格化简；否则，根据第二网格数动态调整所述顶点聚类算法中顶点簇的尺寸，通过增大所述顶点簇的尺寸减小所述第二网格数或通过减小所述顶点簇的尺寸增大所述第二网格数；若所述第二网格数大于所述预设阈值，则增大一倍所述顶点簇的尺寸；若所述第二网格数小于所述预设阈值，且减小一倍所述顶点簇的尺寸后，所述第二网格数依然小于所述预设阈值，则减小一倍所述顶点簇的尺寸；所述循环体结束条件为：所述第二网格数小于所述预设阈值；

所述第一网格数为所述输入的三维网格模型的网格数；所述第二网格数为所述顶点聚类算法输出的调整后的所述三维网格模型的网格数。

3.根据权利要求1所述的一种基于图拓扑的三维网格模型分类方法，其特征在于，所述图拓扑结构的节点对应所述三维网格模型的顶点，所述连边对应所述三维网格模型的所述顶点互相连接形成的边。

4.根据权利要求1所述的一种基于图拓扑的三维网格模型分类方法，其特征在于，所述节点的特征为所述节点的三维坐标；所述连边的特征为所述节点指向另外节点的有向向量。

5.根据权利要求1所述的一种基于图拓扑的三维网格模型分类方法，其特征在于，所述节点特征编码器、所述连边特征编码器均为两层深度神经网络；所述两层深度神经网络包含第一层和第二层；所述第一层实现输入特征的3维到隐层特征256维的映射；所述第二层实现隐层特征到输出特征256维的映射，所述第一层和所述第二层均包含一个全连接层、批归一化层和ReLU激活层。

6.根据权利要求1所述的一种基于图拓扑的三维网格模型分类方法，其特征在于，所述结合所述图拓扑结构，利用图卷积神经网络将每个所述节点的邻居节点的特征融合到所述节点自身的特征这一步骤具体为：

根据所述图拓扑结构，提取每一个所述节点的自身坐标特征和用所述连边的特征多对一映射的节点特征并通过所述连边特征编码器进行特征编码后，将每一个所述节点的所述邻居节点的特征经过编码、池化和卷积后，和所述节点自身的特征拼接在一起。

7.根据权利要求1或6任一项所述的一种基于图拓扑的三维网格模型分类方法，其特征在于，所述图卷积神经网络加入两个图卷积层；通过所述图卷积层，每个所述节点获取到至多两跳所述邻居节点的特征。

8.根据权利要求1所述的一种基于图拓扑的三维网格模型分类方法，其特征在于，所述将所述单一特征表示输入到分类网络中，得到所述三维网格模型的各个类别的预估概率这一步骤所用到的分类器采用深度神经网络，在训练时所述深度神经网络以交叉熵为优化目标，使用梯度下降算法进行端对端的训练。

9.一种基于图拓扑的三维网格模型分类装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-8任一项所述的一种基于图拓扑的三维网格模型分类方法。

10.一种计算机可读存储介质，该存储介质包括有计算机可执行指令，其特征在于：所述计算机可执行指令用于使计算机执行如权利要求1-8任一项所述的一种基于图拓扑的三维网格模型分类方法。