[发明专利]基于特征迁移的两阶段三维模型草图检索方法

权利要求书

1.一种基于特征迁移的两阶段三维模型草图检索方法，其特征在于，包括以下步骤：

步骤S1，对现有的手绘草图数据标注类别标签，作为第一训练数据集，对现有的三维模型数据和所述三维模型数据的多角度的二维视图数据标注所述类标签别，作为第二训练数据集；

步骤S2，构建基于分类神经网络的手绘草图特征提取网络，根据所述第一训练数据训练所述手绘草图特征提取网络，将所述第一训练数据集输入到训练好的所述手绘草图特征提取网络，得到各个所述类别标签的类别中心向量；

步骤S3，构建三维模型特征提取网络，根据所述第二训练数据集训练所述三维模型特征提取网络；

步骤S4，根据所述三维模型特征提取网络提取三维模型数据库中各个三维模型的三维模型特征，根据所述手绘草图特征提取网络提取待查询草图的草图特征；

步骤S5，计算所述草图特征和各个所述三维模型特征的相似度，按所述相似度从高到低，依次输出对应的所述三维模型。

2.根据权利要求1所述的基于特征迁移的两阶段三维模型草图检索方法，其特征在于：

其中，所述步骤S1包括以下子步骤：

步骤S1-1，对所述手绘草图数据标注所述类别标签，调整所述手绘草图数据的图像大小为固定尺寸，且像素范围归一化到0到1之间；

步骤S1-2，基于多个虚拟相机，获得所述三维模型数据的多角度的所述二维视图数据，对所述三维模型数据和所述二维视图数据标注所述类别标签，调整所述二维视图数据的图像大小为所述固定尺寸，且像素范围归一化到0到1之间。

3.根据权利要求1所述的基于特征迁移的两阶段三维模型草图检索方法，其特征在于：

其中，所述步骤S2包括以下子步骤：

步骤S2-1，由卷积神经网络Sketch-CNN、第一分支全连接网络FC1、第二分支全连接网络FC2和全连接分类层FC3构成所述基于分类神经网络的手绘草图特征提取网络；

步骤S2-2，根据所述第一训练数据集，结合联合损失函数L，训练所述基于分类神经网络的手绘草图特征提取网络，所述联合损失函数L由分类损失函数L_{classification}和基于不确定性的正则化损失函数L_reg所组成；

步骤S2-3，将所述第一训练数据集输入到训练好的所述手绘草图特征提取网络得到草图特征向量，所述草图特征向量所共同构成的向量空间作为草图特征空间，根据相同类别标签的所述草图特征向量计算得到平均特征向量，作为该类别标签的所述类别中心向量。

4.根据权利要求3所述的基于特征迁移的两阶段三维模型草图检索方法，其特征在于：

其中，在步骤S2-2中，所述分类损失函数L_{classification}的表达式为：

所述正则化损失函数L_reg的表达式为：

所述联合损失函数L的表达式为：

L＝L_{classification}+αL_reg，

式中，f_i为训练阶段输入所述全连接分类层FC3的草图特征，yi为草图特征i的类别标签，为类别标签yi在所述全连接分类层FC3中对应的权重向量，m为表示类间隔大小的超参数，s为表示缩放因子的超参数，N_sketch为草图训练批次的大小，μ为所述第一分支全连接网络FC1的输出特征向量，σ为所述第二分支全连接网络FC2的N_sketch输出特征向量，α为手动设置的参数。

5.根据权利要求1所述的基于特征迁移的两阶段三维模型草图检索方法，其特征在于：

其中，所述步骤S3包括以下子步骤：

步骤S3-1，由基础的卷积神经网络Shape-CNN和多视图特征融合模块Fusion-Layer构成所述三维模型特征提取网络；

步骤S3-2，根据所述第二训练数据集，基于特征迁移损失函数L_trans训练所述三维模型特征提取网络。