CN117058668B - 一种三维模型减面评估方法及装置 - Google Patents
一种三维模型减面评估方法及装置 Download PDFInfo
- Publication number
- CN117058668B CN117058668B CN202311300917.9A CN202311300917A CN117058668B CN 117058668 B CN117058668 B CN 117058668B CN 202311300917 A CN202311300917 A CN 202311300917A CN 117058668 B CN117058668 B CN 117058668B
- Authority
- CN
- China
- Prior art keywords
- face
- reduced
- image
- unreduced
- encoder
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 27
- 235000019687 Lamb Nutrition 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种三维模型减面评估方法及装置,包括:获取原始三维模型和对原始三维模型进行减面后的减面三维模型;基于原始三维模型确定未减面图像数据集,并基于减面三维模型确定减面图像数据集,构建编码器‑解码器结构模型;根据编码器‑解码器结构模型中的编码器对未减面图像数据集和减面图像数据集进行分别处理,得到未减面图像数据集的未减面特征图集和减面图像数据集的减面特征图集;对未减面特征图集和减面特征图集的相似度进行判断,得到减面三维模型的评估结果。本发明通过设置编码器‑解码器结构模型,实现了快速对减面三维模型的减面结果进行评估的目的。
Description
技术领域
本发明涉及模型减面评估技术领域,具体涉及一种三维模型减面评估方法及装置。
背景技术
石化装置结构复杂管线占比大,完整三维模型可达亿级三角面数堪比城市级规模。为此,需要研发模型减面优化工具对模型进行性能优化,在不改变模型外形的前提下,大幅减少模型三角面数,可以提升三维渲染速度。模型轻量化工具,可以对不同模型自动采取最佳优化配置,在不改变模型外形的前提下,大幅减少模型三角面数,可以提升三维渲染速度。但是,在现有技术中,模型优化后的效果依赖于人眼观察评估,一方面主观性较大,另一方面工作量很大,耗时较长。
因此,急需提出一种三维模型减面评估方法及装置,解决现有技术中存在的模型优化后的效果依赖于人眼观察评估,导致评估不客观、人员工作量大和耗时较长的技术问题。
发明内容
有鉴于此,有必要提供一种三维模型减面评估方法及装置,用以解决现有技术中存在的模型优化后的效果依赖于人眼观察评估,导致评估不客观、人员工作量大和耗时较长的技术问题。
一方面,本发明提供了一种三维模型减面评估方法,包括:
获取原始三维模型和对所述原始三维模型进行减面后的减面三维模型;
基于所述原始三维模型确定未减面图像数据集,并基于所述减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;
根据所述编码器-解码器结构模型中的编码器对所述未减面图像数据集和所述减面图像数据集进行分别处理,得到所述未减面图像数据集的未减面特征图集和所述减面图像数据集的减面特征图集;
对所述未减面特征图集和所述减面特征图集的相似度进行判断,得到所述减面三维模型的评估结果。
在一些可能的实现方式中,所述编码器-解码器结构模型包括所述编码器和解码器;
所述构建编码器-解码器结构模型,包括:
将所述未减面图像数据集中的第一未减面图像输入至所述编码器中,根据所述编码器中的误差函数对所述第一未减面图像进行计算,得到所述第一未减面图像对应的拉姆矩阵差异,并对所述第一未减面图像进行特征提取,得到所述第一未减面图像对应的训练特征图;
将所述训练特征图输入至所述解码器,根据所述解码器对所述训练特征图进行还原,得到所述第一未减面图像对应的还原图,并根据所述还原图相对于所述第一未减面图像的损失值,对所述编码器和所述解码器进行训练;
当所述未减面图像数据集中的所有未减面图像全部训练完成时,得到编码器-解码器结构模型。
在一些可能的实现方式中,所述根据所述还原图相对于所述第一未减面图像的损失值,对所述编码器和所述解码器进行训练,包括:
根据所述第一未减面图像对所述还原图的所述损失值进行计算,并判断所述损失值是否小于预设阈值;
若不是,则根据反向传播算法和所述拉姆矩阵差异对所述编码器和所述解码器进行训练;
若是,则确定所述未减面图像数据集中第二未减面图像,根据所述第二未减面图像对所述编码器和所述解码器进行训练。
在一些可能的实现方式中,所述根据反向传播算法和所述拉姆矩阵差异对所述编码器和所述解码器进行训练,包括:
根据所述拉姆矩阵差异和所述反向传播算法对所述解码器的参数进行更新,得到所述第一未减面图像对应的更新参数;
根据所述反向传播算法和所述更新参数对所述编码器和所述解码器的预设数量神经网络参数进行计算,得到每个神经网络参数对应的参数误差;
根据随机梯度下降方法和所有参数误差对所述预设数量神经网络参数进行优化,从而对所述编码器和所述解码器进行训练。
在一些可能的实现方式中,所述根据所述编码器-解码器结构模型中的编码器对所述减面图像数据集进行处理,得到所述减面图像数据集的减面特征图集,包括:
根据所述编码器对所述减面图像数据集中所有减面图像进行特征提取,得到每个减面图像对应的关键特征;
根据所述关键特征,得到所述每个减面图像对应的减面特征图,从而得到所述减面图像数据集的减面特征图集。
在一些可能的实现方式中,所述根据所述编码器对所述减面图像数据集中所有减面图像进行特征提取,得到每个减面图像对应的关键特征,包括:
根据所述编码器分别对所述减面图像数据集中的所有减面图像进行转换,得到所述每个减面图像的潜在表示;
根据所述每个减面图像的所述潜在表示进行特征提取,得到所述每个减面图像对应的关键特征。
在一些可能的实现方式中,所述对所述未减面特征图集和所述减面特征图集的相似度进行判断,得到所述减面三维模型的评估结果,包括:
对所述未减面特征图集中所有未减面特征图的所有未减面特征参数矩阵的平均值进行计算,得到未减面平均相似度;所述未减面特征图集中每个未减面特征图表示为对应的未减面特征参数矩阵;
根据所述未减面平均相似度,确定所述未减面特征图集中的目标未减面特征图;
对所述减面特征图集中所有减面特征图的所有减面特征参数矩阵的平均值进行计算,得到减面平均相似度;所述减面特征图集中每个减面特征图表示为对应的减面特征参数矩阵;
根据所述减面平均相似度,确定所述减面特征图集中的目标减面特征图;
对所述目标未减面特征图和所述目标减面特征图的相似度进行计算,得到目标相似度;
对所述目标相似度进行判断,得到所述减面三维模型的评估结果。
在一些可能的实现方式中,所述对所述目标相似度进行判断,得到所述减面三维模型的评估结果,包括:
判断所述目标相似度是否小于等于预设相似度阈值;
若不是,则对所述原始三维模型的减面参数进行调整,根据调整之后的减面参数对所述减面三维模型进行更新,从而获取目标减面图像数据集,根据所述目标减面图像数据集对所述减面三维模型进行评估;
在一些可能的实现方式中,所述误差函数为:
式中,表示第x个训练样本(未减面图像),/>为格拉姆矩阵计算函数。
另一方面,本发明还提供了一种三维模型减面评估装置,包括:
模型获取模块,用于获取原始三维模型和对所述原始三维模型进行减面后的减面三维模型
模型构建模块,用于基于所述原始三维模型确定未减面图像数据集,并基于所述减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;
数据处理模块,用于根据所述编码器-解码器结构模型中的编码器对所述未减面图像数据集和所述减面图像数据集进行分别处理,得到所述未减面图像数据集的未减面特征图集和所述减面图像数据集的减面特征图集;
结果评估模块,用于对所述未减面特征图集和所述减面特征图集的相似度进行判断,得到所述减面三维模型的评估结果。
采用上述实施例的有益效果是:本发明提供的三维模型减面评估方法,获取原始三维模型和对原始三维模型进行减面后的减面三维模型;基于原始三维模型确定未减面图像数据集,并基于减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;根据编码器-解码器结构模型中的编码器对未减面图像数据集和减面图像数据集进行分别处理,得到未减面图像数据集的未减面特征图集和减面图像数据集的减面特征图集;对未减面特征图集和减面特征图集的相似度进行判断,得到减面三维模型的评估结果。本发明通过设置编码器-解码器结构模型对未减面图像和减面图像进行处理,分别得到未减面图像的未减面特征图和减面图像的减面特征图,从而可以根据未减面特征图和减面特征图进行比较,得到相似度,根据相似度对减面三维模型的减面结果进行评估,实现了快速对减面三维模型的减面结果进行评估的目的。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的三维模型减面评估方法的一个实施例流程示意图;
图2为本发明提供的编码器-解码器结构模型的一个实施例结构示意图;
图3为本发明提供的编码器对减面三维模型进行评价的一个实施例结构示意图;
图4为本发明提供的三维模型减面评估装置的一个实施例结构示意图;
图5为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器***和/或微控制器***中实现这些功能实体。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
本发明实施例提供了一种三维模型减面评估方法及装置,以下分别进行说明。
图1为本发明提供的三维模型减面评估方法的一个实施例流程示意图,如图1所示,三维模型减面评估方法包括:
S101、获取原始三维模型和对原始三维模型进行减面后的减面三维模型;
S102、基于原始三维模型确定未减面图像数据集,并基于减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;
S103、根据编码器-解码器结构模型中的编码器对未减面图像数据集和减面图像数据集进行分别处理,得到未减面图像数据集的未减面特征图集和减面图像数据集的减面特征图集;
S104、对未减面特征图集和减面特征图集的相似度进行判断,得到减面三维模型的评估结果。
与现有技术相比,本发明实施例提供的三维模型减面评估方法,本发明通过设置编码器-解码器结构模型对未减面图像和减面图像进行处理,分别得到未减面图像的未减面特征图和减面图像的减面特征图,从而可以根据未减面特征图和减面特征图进行比较,得到相似度,根据相似度对减面三维模型的减面结果进行评估,实现了快速对减面三维模型的减面结果进行评估的目的。
应当理解的是:步骤S101中获取减面三维模型的未减面图像数据集和减面图像数据集的方式可以是从原始三维模型和减面三维模型中获取的数据集,也可以是从存储介质中调用历史存储的减面三维模型的数据集。
在本发明的具体实施例中,在现有技术中,因为石化装置结构复杂管线占比大,完整三维模型可达亿级三角面数堪比城市级规模,所以需要通过模型减面优化工具对原始三维模型进行性能优化,得到减面后的减面三维模型,本发明中的未减面图像数据集包括原始三维模型在还未进行减面优化之前的图像数据,而减面图像数据集可以包括减面优化之后,减面三维模型的图像数据,其中,未减面图像数据集和减面图像数据集的类别相同,并且未减面图像数据集中的图像数据大于减面图像数据集中的图像数据,比如,图像类别为管线,未减面图像数据集中存在400张图像,而减面图像数据集中存在10张图像数据,减面图像数据集中的图像数据存在于未减面图像数据集的图像数据中。
需要说明的是:为了对减面三维模型的减面情况进行更加准确的评估,需要对编码器-解码器结构模型进行训练,在本发明的一些实施例中,编码器-解码器结构模型包括编码器和解码器;步骤S102包括:
将未减面图像数据集中的第一未减面图像输入至编码器中,根据编码器中的误差函数对第一未减面图像进行计算,得到第一未减面图像对应的拉姆矩阵差异,并对第一未减面图像进行特征提取,得到第一未减面图像对应的训练特征图;
将训练特征图输入至解码器,根据解码器对训练特征图进行还原,得到第一未减面图像对应的还原图,并根据还原图相对于第一未减面图像的损失值,对编码器和解码器进行训练;
当未减面图像数据集中的所有未减面图像全部训练完成时,得到编码器-解码器结构模型。
在本发明的具体实施例中,如图2所示,编码器-解码器结构模型可以由编码器和解码器组成,编码器通过多通道卷积的方式将图像维度从3个通道逐步升至16、32通道,然后进行三个模块的卷积池化层,逐步增加图像通道至64、128、256,并减小图像的尺寸,得到特征图,将特征图输入至解码器,为256通道,经过三个模块的反卷积上采样层,逐步增加特征图通道降至256、128、64,同时扩大特征图的尺寸,达到恢复图像原始维度的目的,然后需要通过1×1卷积将最终输出(重建或生成)的图像转换至与原始输入的图像相同的维度。其中,可以将输入编码器-解码器结构模型的未减面图像令为,则编码器-解码器结构模型可以定义为如公式(1)所示:
(1)
需要说明的是,可以通过未减面图像数据集中的所有未减面图像对编码器和解码器进行训练,得到编码器-解码器结构模型,其中,可以将未减面图像数据集的所有未减面图像逐一输入至编码器,编码器中的误差函数可以对未减面图像进行计算,得到未减面图像的拉姆矩阵差异。
在本发明的一些实施例中,误差函数如公式(2):
(2)
式中,表示第x个训练样本(未减面图像),/>为格拉姆矩阵计算函数。
在本发明的具体实施例中,损失函数定义主要体现减面三维模型输出的减面图像与未减面图像的格拉姆矩阵(Gram Matrix)差异,格拉姆矩阵是由向量集合(图像在神经网络参数中就是一种多维的向量)的内积(图像像素值)所构成的矩阵,用于描述向量之间的相似度和相关性,图像之间的相似用像素值的差异可以衡量,格拉姆矩阵只是用来放大这种差异,更有利于模型训练。以及在机器学习和计算机视觉领域中的特征提取和表示。在本发明中格拉姆矩阵可以起到放大差异的作用,从而可以反馈模型细节上的细微变化。
在本发明的具体实施例中,解码器的操作与编码器相反,解码器可以对特征图进行转换,得到转换而成的目标潜在表示,还可以将目标潜在表示映射回原始输入空间,原始输入空间即指的输入的未减面图像。从而实现对未减面图像的重建或生成,得到未减面图像对应的还原图。
在本发明的一些实施例中,根据还原图相对于第一未减面图像的损失值,对编码器和解码器进行训练,包括:
根据第一未减面图像对还原图的损失值进行计算,并判断损失值是否小于预设阈值;
若不是,则根据反向传播算法和拉姆矩阵差异对编码器和解码器进行训练;
若是,则确定未减面图像数据集中第二未减面图像,根据第二未减面图像对编码器和解码器进行训练。
在本发明的具体实施例中,在将第一未减面图像输入至编码器后,编码器可以对第一未减面图像进行特征提取,输出特征图,解码器可以对特征图进行还原,得到还原图,为了可以判断编码器-解码器结构模型的损失是否过大,可以将第一未减面图像与还原图进行比较计算,得到还原图的损失值,然后可以判断损失值是否小于预设阈值,如果不是,则表示损失过大,需要根据反向传播算法和第一未减面图像的拉姆矩阵差异对编码器和解码器进行训练,如果损失值小于预设阈值或者对编码器和解码器进行训练之后,可以对未减面图像数据集中的其他未进行训练过程的未减面图像重复上述过程。具体的预设阈值可以根据实际情况进行设置,本发明实施例在此不加以限制。
在本发明的一些实施例中,根据反向传播算法和拉姆矩阵差异对编码器和解码器进行训练,包括:
根据拉姆矩阵差异和反向传播算法对解码器的参数进行更新,得到第一未减面图像对应的更新参数;
根据反向传播算法和更新参数对编码器和解码器的预设数量神经网络参数进行计算,得到每个神经网络参数对应的参数误差;
根据随机梯度下降方法和所有参数误差对预设数量神经网络参数进行优化,从而对编码器和解码器进行训练。
在本发明的具体实施例中,在得到未减面图像的拉姆矩阵差异之后,可以通过反向传播算法对拉姆矩阵差异进行处理,达到对解码器的参数进行更新的目的,在更新之后,可以通过反向传播算法计算每个神经网络参数的参数误差,从而可以根据随机梯度下降方法和每个神经网络参数的参数误差对每个神经网络进行优化,达到对编码器的神经网络进行更新的目的,其中,在当前的未减面图像对神经网络优化完成之后,可以判断未减面图像数据集中是否存在未优化的未减面图像,如果是,则根据未优化的未减面图像,重新进行编码器和解码器的训练过程,如果不同,则表示未减面图像数据集中的所有未减面图像训练完成,得到编码器-解码器结构模型。具体的反向传播算法和随机梯度下降方法的过程可以根据实际情况进行设置,本发明实施例在此不加以限制。
在本发明的一些实施例中,步骤S103包括:
根据编码器对减面图像数据集中所有减面图像进行特征提取,得到每个减面图像对应的关键特征;
根据关键特征,得到每个减面图像对应的减面特征图,从而得到减面图像数据集的减面特征图集。
在本发明的具体实施例中,在图2中,当减面图像输入至编码器中时,会通过多通道卷积的方式将减面图像维度从3个通道逐步升至16、32通道,并逐步增加特征图通道至64、128、256,同时还会减小减面图像的尺寸,得到特征图,从而可以达到特征提取的目的。
在本发明的一些实施例中,根据编码器对减面图像数据集中所有减面图像进行特征提取,得到每个减面图像对应的关键特征,包括:
根据编码器分别对减面图像数据集中的所有减面图像进行转换,得到每个减面图像的潜在表示;
根据每个减面图像的潜在表示进行特征提取,得到每个减面图像对应的关键特征。
在本发明的具体实施例中,在对编码器对减面图像进行特征提取的过程中可以将减面图像转换为潜在表示,这种表示通常可以提取出减面图像的关键特征。
需要说明的是,还可以通过学习潜在表示,捕获减面图像的有用特征,然后根据有用特征对编码器进行训练,从而可以提高编码器的表示能力,进一步的提高编码器-解码器结构模型对数据的表示能力。
在本发明的具体实施例中,在得到关键特征之后,可以得到每个减面图像对应的减面特征图,从而可以得到所有减面图像的所有减面特征图,构建成减面特征图集,其中,将未减面图像数据集中的未减面图像输入至编码器-解码器结构模型,得到每个未减面图像对应的未减面特征图的步骤与将减面图像数据集中的减面图像输入至编码器-解码器结构模型,得到每个减面图像对应的减面特征图的步骤一致,所以,可以得到未减面图像数据集中所有未减面图像的所有未减面特征图和减面图像数据集中所有减面图像的所有减面特征图,从而可以得到未减面特征图集和减面特征图集。
在本发明的一些实施例中,步骤S104包括:
对未减面特征图集中所有未减面特征图的所有未减面特征参数矩阵的平均值进行计算,得到未减面平均相似度;未减面特征图集中每个未减面特征图表示为对应的未减面特征参数矩阵;
根据未减面平均相似度,确定未减面特征图集中的目标未减面特征图;
对减面特征图集中所有减面特征图的所有减面特征参数矩阵的平均值进行计算,得到减面平均相似度;减面特征图集中每个减面特征图表示为对应的减面特征参数矩阵;
根据减面平均相似度,确定减面特征图集中的目标减面特征图;
对目标未减面特征图和目标减面特征图的相似度进行计算,得到目标相似度;
对目标相似度进行判断,得到减面三维模型的评估结果。
在本发明的具体实施例中,在得到未减面特征图集之后,可以对未减面特征图集中的所有未减面特征图的所有未减面特征参数矩阵的相似度的平均值进行计算,得到未减面平均相似度,从而可以将相似度与未减面平均相似度最接近的未减面特征图确定为目标未减面特征图,减面特征图集同理,可以对减面特征图集中的所有减面特征图的所有减面特征参数矩阵的相似度的平均值进行计算,得到减面平均相似度,从而可以将相似度与减面平均相似度最接近的减面特征图确定为目标减面特征图,然后可以将目标未减面特征图和目标减面特征图的相似度进行计算,得到目标相似度。其中,目标相似度计算如公式(3)所示:
(3)
式中,为第x个目标未减面特征图对应的目标减面特征图。
在本发明的一些实施例中,对目标相似度进行判断,得到减面三维模型的评估结果,包括:
判断目标相似度是否小于等于预设相似度阈值;
若不是,则对原始三维模型的减面参数进行调整,根据调整之后的减面参数对减面三维模型进行更新,从而获取目标减面图像数据集,根据目标减面图像数据集对减面三维模型进行评估;
若是,则得到减面三维模型减面合格的评估结果。
在本发明的具体实施例中,可以根据预设相似度阈值对目标相似度进行判断,如果小于等于预设相似度阈值,则表示减面三维模型的减面合格,如果大于预设相似度阈值,则表示需要对原始三维模型的减面参数进行调整,从而可以得到新的减面三维模型,其中,原始三维模型减面过程就是对装置模型中所有的圆柱体模型进行减面,在三维场景中的圆柱体实际是由多个三角面片所组成。比如,原始三维模型可能是由128或者256个面片组成的。减面时就需要对原始三维模型进行减面倍数选择并根据编码器-解码器结构模型的评价的反馈是否对减面倍数进行调整,并保证相邻两个圆柱体模型的减面后的面片点重合度在接受范围。减面参数包括减面倍数和相邻两个模型的面片点重合度。具体的减面参数调整过程可以根据实际情况进行设置,本发明实施例在此不加以限制。
在本发明具体实施例中,如图3所示,可以根据CNN编码器分别对未减面图像和减面图像进行处理,再根据处理得到目标特征图像进行比较,判断相似度,从而可以对相似度进行判断,如果小于等于预设阈值,则表示减面三维模型减面合格,如果大于预设阈值,则需要对原始三维模型的减面参数进行调整,从而可以得到新的减面三维模型和减面图像,可以重新根据减面图像进行本发明的构成,实现了对减面三维模型的减面进行评价的目的。
为了更好实施本发明实施例中的三维模型减面评估方法,在三维模型减面评估方法基础之上,对应地,本发明实施例还提供了一种三维模型减面评估装置,如图4所示,三维模型减面评估装置包括:
模型获取模块401,用于获取原始三维模型和对原始三维模型进行减面后的减面三维模型
模型构建模块402,用于基于原始三维模型确定未减面图像数据集,并基于减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;
数据处理模块403,用于根据编码器-解码器结构模型中的编码器对未减面图像数据集和减面图像数据集进行分别处理,得到未减面图像数据集的未减面特征图集和减面图像数据集的减面特征图集;
结果评估模块404,用于对未减面特征图集和减面特征图集的相似度进行判断,得到减面三维模型的评估结果。
上述实施例提供的三维模型减面评估装置可实现上述三维模型减面评估方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述三维模型减面评估方法实施例中的相应内容,此处不再赘述。
如图5所示,本发明还相应提供了一种电子设备500。该电子设备500包括处理器501、存储器502及显示器503。图5仅示出了电子设备500的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器502在一些实施例中可以是电子设备500的内部存储单元,例如电子设备500的硬盘或内存。存储器502在另一些实施例中也可以是电子设备500的外部存储设备,例如电子设备500上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器502还可既包括电子设备500的内部储存单元也包括外部存储设备。存储器502用于存储安装电子设备500的应用软件及各类数据。
处理器501在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器502中存储的程序代码或处理数据,例如本发明中的三维模型减面评估方法。
显示器503在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器503用于显示在电子设备500的信息以及用于显示可视化的用户界面。电子设备500的部件501-503通过***总线相互通信。
在本发明的一些实施例中,当处理器501执行存储器502中的三维模型减面评估程序时,可实现以下步骤:
获取原始三维模型和对原始三维模型进行减面后的减面三维模型;
基于原始三维模型确定未减面图像数据集,并基于减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;
根据编码器-解码器结构模型中的编码器对未减面图像数据集和减面图像数据集进行分别处理,得到未减面图像数据集的未减面特征图集和减面图像数据集的减面特征图集;
对未减面特征图集和减面特征图集的相似度进行判断,得到减面三维模型的评估结果。
应当理解的是:处理器501在执行存储器502中的三维模型减面评估程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备500的类型不做具体限定,电子设备500可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作***的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备500也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的三维模型减面评估方法步骤或功能。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的三维模型减面评估方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种三维模型减面评估方法,其特征在于,包括:
获取原始三维模型和对所述原始三维模型进行减面后的减面三维模型;
基于所述原始三维模型确定未减面图像数据集,并基于所述减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;
根据所述编码器-解码器结构模型中的编码器对所述未减面图像数据集和所述减面图像数据集进行分别处理,得到所述未减面图像数据集的未减面特征图集和所述减面图像数据集的减面特征图集;
对所述未减面特征图集和所述减面特征图集的相似度进行判断,得到所述减面三维模型的评估结果;
所述编码器-解码器结构模型包括所述编码器和解码器;
所述构建编码器-解码器结构模型,包括:
将所述未减面图像数据集中的第一未减面图像输入至所述编码器中,根据所述编码器中的误差函数对所述第一未减面图像进行计算,得到所述第一未减面图像对应的拉姆矩阵差异,并对所述第一未减面图像进行特征提取,得到所述第一未减面图像对应的训练特征图;
将所述训练特征图输入至所述解码器,根据所述解码器对所述训练特征图进行还原,得到所述第一未减面图像对应的还原图,并根据所述还原图相对于所述第一未减面图像的损失值,对所述编码器和所述解码器进行训练;
当所述未减面图像数据集中的所有未减面图像全部训练完成时,得到编码器-解码器结构模型;
所述根据所述编码器-解码器结构模型中的编码器对所述减面图像数据集进行处理,得到所述减面图像数据集的减面特征图集,包括:
根据所述编码器对所述减面图像数据集中所有减面图像进行特征提取,得到每个减面图像对应的关键特征;
根据所述关键特征,得到所述每个减面图像对应的减面特征图,从而得到所述减面图像数据集的减面特征图集。
2.根据权利要求1所述的三维模型减面评估方法,其特征在于,所述根据所述还原图相对于所述第一未减面图像的损失值,对所述编码器和所述解码器进行训练,包括:
根据所述第一未减面图像对所述还原图的所述损失值进行计算,并判断所述损失值是否小于预设阈值;
若不是,则根据反向传播算法和所述拉姆矩阵差异对所述编码器和所述解码器进行训练;
若是,则确定所述未减面图像数据集中第二未减面图像,根据所述第二未减面图像对所述编码器和所述解码器进行训练。
3.根据权利要求2所述的三维模型减面评估方法,其特征在于,所述根据反向传播算法和所述拉姆矩阵差异对所述编码器和所述解码器进行训练,包括:
根据所述拉姆矩阵差异和所述反向传播算法对所述解码器的参数进行更新,得到所述第一未减面图像对应的更新参数;
根据所述反向传播算法和所述更新参数对所述编码器和所述解码器的预设数量神经网络参数进行计算,得到每个神经网络参数对应的参数误差;
根据随机梯度下降方法和所有参数误差对所述预设数量神经网络参数进行优化,从而对所述编码器和所述解码器进行训练。
4.根据权利要求1所述的三维模型减面评估方法,其特征在于,所述根据所述编码器对所述减面图像数据集中所有减面图像进行特征提取,得到每个减面图像对应的关键特征,包括:
根据所述编码器分别对所述减面图像数据集中的所有减面图像进行转换,得到所述每个减面图像的潜在表示;
根据所述每个减面图像的所述潜在表示进行特征提取,得到所述每个减面图像对应的关键特征。
5.根据权利要求1所述的三维模型减面评估方法,其特征在于,所述对所述未减面特征图集和所述减面特征图集的相似度进行判断,得到所述减面三维模型的评估结果,包括:
对所述未减面特征图集中所有未减面特征图的所有未减面特征参数矩阵的平均值进行计算,得到未减面平均相似度;所述未减面特征图集中每个未减面特征图表示为对应的未减面特征参数矩阵;
根据所述未减面平均相似度,确定所述未减面特征图集中的目标未减面特征图;
对所述减面特征图集中所有减面特征图的所有减面特征参数矩阵的平均值进行计算,得到减面平均相似度;所述减面特征图集中每个减面特征图表示为对应的减面特征参数矩阵;
根据所述减面平均相似度,确定所述减面特征图集中的目标减面特征图;
对所述目标未减面特征图和所述目标减面特征图的相似度进行计算,得到目标相似度;
对所述目标相似度进行判断,得到所述减面三维模型的评估结果。
6.根据权利要求5所述的三维模型减面评估方法,其特征在于,所述对所述目标相似度进行判断,得到所述减面三维模型的评估结果,包括:
判断所述目标相似度是否小于等于预设相似度阈值;
若不是,则对所述原始三维模型的减面参数进行调整,根据调整之后的减面参数对所述减面三维模型进行更新,从而获取目标减面图像数据集,根据所述目标减面图像数据集对所述减面三维模型进行评估;
若是,则得到所述减面三维模型减面合格的评估结果。
7.根据权利要求1所述的三维模型减面评估方法,其特征在于,所述误差函数为:
式中,表示未减面图像的第x个训练样本,/>为格拉姆矩阵计算函数。
8.一种三维模型减面评估装置,其特征在于,包括:
模型获取模块,用于获取原始三维模型和对所述原始三维模型进行减面后的减面三维模型;
模型构建模块,用于基于所述原始三维模型确定未减面图像数据集,并基于所述减面三维模型确定减面图像数据集,构建编码器-解码器结构模型;
数据处理模块,用于根据所述编码器-解码器结构模型中的编码器对所述未减面图像数据集和所述减面图像数据集进行分别处理,得到所述未减面图像数据集的未减面特征图集和所述减面图像数据集的减面特征图集;
结果评估模块,用于对所述未减面特征图集和所述减面特征图集的相似度进行判断,得到所述减面三维模型的评估结果;
所述编码器-解码器结构模型包括所述编码器和解码器;
所述模型构建模块,还用于将所述未减面图像数据集中的第一未减面图像输入至所述编码器中,根据所述编码器中的误差函数对所述第一未减面图像进行计算,得到所述第一未减面图像对应的拉姆矩阵差异,并对所述第一未减面图像进行特征提取,得到所述第一未减面图像对应的训练特征图;将所述训练特征图输入至所述解码器,根据所述解码器对所述训练特征图进行还原,得到所述第一未减面图像对应的还原图,并根据所述还原图相对于所述第一未减面图像的损失值,对所述编码器和所述解码器进行训练;当所述未减面图像数据集中的所有未减面图像全部训练完成时,得到编码器-解码器结构模型;
所述数据处理模块,还用于根据所述编码器对所述减面图像数据集中所有减面图像进行特征提取,得到每个减面图像对应的关键特征;根据所述关键特征,得到所述每个减面图像对应的减面特征图,从而得到所述减面图像数据集的减面特征图集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300917.9A CN117058668B (zh) | 2023-10-10 | 2023-10-10 | 一种三维模型减面评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300917.9A CN117058668B (zh) | 2023-10-10 | 2023-10-10 | 一种三维模型减面评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058668A CN117058668A (zh) | 2023-11-14 |
CN117058668B true CN117058668B (zh) | 2024-02-02 |
Family
ID=88666607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311300917.9A Active CN117058668B (zh) | 2023-10-10 | 2023-10-10 | 一种三维模型减面评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058668B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492380A (zh) * | 2018-03-29 | 2018-09-04 | 深圳市彬讯科技有限公司 | 一种三维模型的减面方法与装置、存储介质 |
CN112652070A (zh) * | 2020-12-21 | 2021-04-13 | 深圳市彬讯科技有限公司 | 三维模型的减面方法、装置、设备及介质 |
CN114419283A (zh) * | 2022-01-25 | 2022-04-29 | 网易(杭州)网络有限公司 | 网格模型的简化方法、装置、电子设备及存储介质 |
CN115222879A (zh) * | 2022-06-22 | 2022-10-21 | 北京百度网讯科技有限公司 | 一种模型减面处理方法、装置、电子设备及存储介质 |
EP4107698A1 (en) * | 2020-02-17 | 2022-12-28 | Snap Inc | Generating three-dimensional object models from two-dimensional images |
WO2023273339A1 (zh) * | 2021-06-30 | 2023-01-05 | 广东三维家信息科技有限公司 | 一种三维模型简化方法、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11257210B2 (en) * | 2018-06-25 | 2022-02-22 | The Royal Institution For The Advancement Of Learning / Mcgill University | Method and system of performing medical treatment outcome assessment or medical condition diagnostic |
US11380059B2 (en) * | 2020-11-20 | 2022-07-05 | Procore Technologies, Inc. | Computer system and methods for optimizing distance calculation |
-
2023
- 2023-10-10 CN CN202311300917.9A patent/CN117058668B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492380A (zh) * | 2018-03-29 | 2018-09-04 | 深圳市彬讯科技有限公司 | 一种三维模型的减面方法与装置、存储介质 |
EP4107698A1 (en) * | 2020-02-17 | 2022-12-28 | Snap Inc | Generating three-dimensional object models from two-dimensional images |
CN112652070A (zh) * | 2020-12-21 | 2021-04-13 | 深圳市彬讯科技有限公司 | 三维模型的减面方法、装置、设备及介质 |
WO2023273339A1 (zh) * | 2021-06-30 | 2023-01-05 | 广东三维家信息科技有限公司 | 一种三维模型简化方法、装置及存储介质 |
CN114419283A (zh) * | 2022-01-25 | 2022-04-29 | 网易(杭州)网络有限公司 | 网格模型的简化方法、装置、电子设备及存储介质 |
CN115222879A (zh) * | 2022-06-22 | 2022-10-21 | 北京百度网讯科技有限公司 | 一种模型减面处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
Model reduction of biochemical reactions networks by tropical analysis methods;Ovidiu Radulescu et.al;https://arXiv;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117058668A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001914B (zh) | 深度图像补全的方法和装置 | |
CN109949219B (zh) | 一种超分辨率图像的重构方法、装置及设备 | |
CN113177432B (zh) | 基于多尺度轻量化网络的头部姿态估计方法、***、设备及介质 | |
CN116563493A (zh) | 基于三维重建的模型训练方法、三维重建方法及装置 | |
CN111611925A (zh) | 一种建筑物检测与识别方法及装置 | |
CN111325697B (zh) | 一种基于张量本征变换的彩色图像修复方法 | |
CN112541902A (zh) | 相似区域搜索方法、装置、电子设备及介质 | |
CN117454495A (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN115564975A (zh) | 图像的匹配方法、装置、终端设备及存储介质 | |
US20240095522A1 (en) | Neural network generation device, neural network computing device, edge device, neural network control method, and software generation program | |
CN108520532B (zh) | 识别视频中物体运动方向的方法及装置 | |
CN113298931B (zh) | 一种物体模型的重建方法、装置、终端设备和存储介质 | |
CN110717405A (zh) | 人脸特征点定位方法、装置、介质及电子设备 | |
CN117373064A (zh) | 基于自适应跨维度加权的人体姿态估计方法、计算机设备及存储介质 | |
CN115953330B (zh) | 虚拟场景图像的纹理优化方法、装置、设备和存储介质 | |
CN117058668B (zh) | 一种三维模型减面评估方法及装置 | |
JP2021144428A (ja) | データ処理装置、データ処理方法 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN115909009A (zh) | 图像识别方法、装置、存储介质及电子设备 | |
CN111429388A (zh) | 一种图像处理方法、装置和终端设备 | |
CN114820755A (zh) | 一种深度图估计方法及*** | |
CN113139490B (zh) | 一种图像特征匹配方法、装置、计算机设备及存储介质 | |
CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 | |
CN116402090B (zh) | 神经网络计算图的处理方法、装置和设备 | |
CN115841587B (zh) | 图像分类任务的特征提取方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |