[发明专利]三维模型检索相关性反馈方法和装置

说明书

技术领域

本发明涉及信息检索领域，尤其涉及三维模型检索以及相应的相关性反馈方法和装置。

背景技术

本发明所关联的基于内容的三维模型检索就是从三维模型库中检索与已知三维模型相似的其他三维模型，即对于特定查询模型，使用分类算法构建一个分类器，返回与之相对应的模型类中各模型。它可以描述为：构建一个分类器L来判断给定一组三维模型O是否与查询三维模型Q属于同一个类别的形状类C，并将O按照相似程度的高低返回。通过特征提取算法，三维模型被表示成一个上百维的特征向量。因为一个三维模型可以包含多个特征信息，因此，一个三维模型可以对应多个特征向量。

在三维模型检索中运用相关性反馈方法是为了获取用户的检索信息，提高三维模型的检索效果。在三维模型检索中，现有的效果较好的相关性反馈技术包括：基于支持向量机(SVM)的相关性反馈方法；另一种是多分类器集成方法。

发明内容

本发明实施例的目的是提供一种供三维模型检索使用的相关性反馈方法和装置。从而帮助单纯的三维模型检索方法和装置获得更好的检索结果。

本发明实施例的目的是通过以下技术方案实现的：

一种三维模型检索相关性反馈方法，包括：

通过多个基于支持向量机的基学习器获取用户的反馈信息，根据该反馈信息对查询模型的各个特征向量的权重和相关信息进行更新；

利用推进机制(Boosting)更新各个基学习器的权重，增大被错分的样例权重，提高比例。

一种三维模型的检索装置，包括：

用户反馈信息获取模块，用于获得用户反馈信息，作为理解用户语义需求的模块；

基学习器模块，用于根据用户反馈的信息，对检索模型的各个特征向量和相关信息进行初始化设置；

推进模块，集合多个基学习模块，根据各个基础模块的检索效果更新各个学习器的权重。

由上述实施例提供的技术方案可以看出，本发明当中，发明人通过将基于支持向量机的相关性反馈方法和多分类器集成方法结合起来，实现一种新型的相关性反馈方法和装置。

附图说明

图1是三维模型检索相关性反馈装置模块图

图2是检索误差和参数σ和C间关系图

图3是AB.SVM与基本SVM，LDA分类算法的检索结果改进结果对比图

具体实施方式

在本发明实施例中，提出了一种全新的以径向基支持向量机(SVM with Radial Basis Function)作为Boosting基分类器算法的一种新三维模型检索相关性反馈算法，称作AB.SVM。AB.SVM算法首先利用反馈机制获取用户反馈的语义信息，接着通过多个基于径向基支持向量机(RBF-SVM)作为基学习器，对用户反馈的信息，对检索模型的各个特征向量和相关信息进行初始化的学习和预测，接着利用推进机制，根据基学习器的预测结果进行分析和判断，重新分配各个基学习器的权重，增大被错分样例的权重，提高比例。

AB.SVM使用三个关键技术：1)Boosting算法中对不同样例依据其分类错误率进行重赋权重；2)每次迭代时适时调整径向基核函数的高斯宽度σ，避免基分类器过强带来的泛化性不高或者基分类器过弱不能满足错误率要求；3)最终强分类器由多个基分类器按照测试错误率加权叠加构成。

附图1描述了组成本发明的三个模块：用户反馈信息获取模块、基学习器模块和推进模块。下面结合附图来详细描述本发明实施例。

步骤一：用户反馈信息获取模块。在一般三维模型检索装置取得检索的初始内容后，本模块通过图形交互界面，让用户根据自己的主观需要，对初始反馈结果进行相似与否的标注，用户可选的标注有三种：相似，不相似以及不确定。对于用户未标注的初始结果，该模块将自动视为“不确定”的选择。在用户对初始检索结果标注结束后，该装置将搜集用户的信息，生成若干个标注向量(x₁，y₁)，...，(x_N，y_N)，其中x_i∈R^d，y_i∈{-1，1}，-1代表不相关，1代表相关。该步骤用于获得用户反馈信息，作为理解用户语义需求的模块