本[发明专利]提供一种三维模型的深度特征提取方法:
首先,提取三维模型的极视图,作为深度卷积神经网络的训练输入数据;
其次,构建深度卷积神经网络,并对极视图进行训练;
再次,将极视图输入到深度卷积神经网络进行训练,直到深度卷积神经网络收敛,实现训练完成后深度卷积神经网络的内部权值的确定;
最后,在已训练好的深度卷积神经网络中输入需提取特征的三维模型的极视图,计算深度卷积神经网络中全链接层的特征向量,则作为需提取特征的三维模型的深度特征。
本[发明专利]构建深层卷积神经网络经过迭代修正权值缩小残差,使得网络收敛。待训练完毕后,提取卷积神经网络的全链接层作为三维模型极视图的深度特征。
| 专利名称 | 一种三维模型的深度特征提取方法 | ||
|---|---|---|---|
| 专利状态 | - | 专利号(申请号) | CN201710148547.X |
| 申请号 | - | 专利申请日期 | 2017-03-14 |
| 专利授权日期 | 2017-08-25 | 专利权届满日 | - |
| 专利所属地 | 中国 | 专利类型 | 发明专利 |
| 发明人 | 周燕;曾凡智 | ||
| 权利人 | - | ||
| 专利摘要 | 本发明提供一种三维模型的深度特征提取方法,首先,提取三维模型的极视图,作为深度卷积神经网络的训练输入数据;其次,构建深度卷积神经网络,并对极视图进行训练;再次,将极视图输入到深度卷积神经网络进行训练,直到深度卷积神经网络收敛,实现训练完成后深度卷积神经网络的内部权值的确定;最后,在已训练好的深度卷积神经网络中输入需提取特征的三维模型的极视图,计算深度卷积神经网络中全链接层的特征向量,则作为需提取特征的三维模型的深度特征。本发明构建深层卷积神经网络经过迭代修正权值缩小残差,使得网络收敛。待训练完毕后,提取卷积神经网络的全链接层作为三维模型极视图的深度特征。 | ||