[发明专利]物体功能性预测方法、装置、计算机设备和存储介质

权利要求书

1.一种物体功能性预测方法，所述方法包括：

获取待预测物体和多个候选场景；

将待预测物体和当前候选场景输入距离度量模型，所述距离度量模型根据已训练的场景特征子网络计算得到当前候选场景对应的特征向量，根据所述待预测物体和所述当前候选场景对应的特征向量输出所述待预测物体到所述当前候选场景的距离，其中距离度量模型的模型参数包括由已训练的物体特征子网络确定的参数，所述已训练的场景特征子网络和物体特征子网络通过以下步骤训练得到：构建功能相似性网络，所述功能相似性网络包括物体特征子网络和至少2个场景特征子网络，其中各个基本场景特征子网络共享网络参数；获取训练数据集合，所述训练数据集合中的各个训练数据包括孤立物体数据、正场景数据和负场景数据，其中正场景体现的功能与孤立物体功能相同，负场景体现的功能与孤立物体功能不同；根据所述训练数据集合对所述功能相似性网络进行训练，根据所述功能相似性网络的输出计算代价函数，调整所述功能相似性网络的参数，直到所述代价函数满足收敛条件，得到已训练的功能相似性网络；

根据所述距离度量模型得到待预测物体到各个候选场景的距离；

根据待预测物体到各个候选场景的距离确定所述待预测物体对应的目标场景；

根据所述目标场景得到所述待预测物体对应的功能性预测结果。

2.根据权利要求1所述的方法，其特征在于，所述功能相似性网络通过推断孤立的三维物体的交互上下文来预测功能。

3.根据权利要求2所述的方法，其特征在于，所述功能相似性网络对应的物体特征子网络的输出为高斯模型对应的参数，所述代价函数为关于孤立物体与正场景之间对应的功能相似性期望、孤立物体与负场景之间对应的功能相似性期望的函数，所述功能相似性期望通过以下公式计算得到：

其中，ε(x,Y)表示孤立物体x与场景Y之间对应的功能相似性期望值，p是高斯分布，N是所述高斯模型对应的高斯数量，{φ_k,μ_k,σ_k}是所述高斯模型中第k个高斯的参数，其中φ_k表示权重，μ_k表示均值和σ_k表示方差，f_Y是由所述功能相似性网络对应的场景特征子网络计算得到的场景Y对应的特征向量。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述已训练的场景特征子网络计算不同场景之间的功能性差异；

根据所述已训练的物体特征子网络计算不同物体之间的功能性差异。

5.根据权利要求1所述的方法，其特征在于，所述根据所述目标场景得到所述待预测物体对应的功能性预测结果之后，还包括：

根据所述功能性预测结果确定所述待预测物体对应的功能标签；

将所述待预测物体和所述待预测物体对应的功能标签输入已训练的上下文生成网络模型；

所述已训练的上下文生成网络模型通过生成子网络生成对应的目标场景；

所述已训练的上下文生成网络模型通过放置子网络生成所述待预测物体对应的放置参数；

根据所述目标场景和所述放置参数，得到以所述待预测物体为中心物体的交互上下文场景。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

将所述交互上下文场景、所述功能标签输入已训练的分割网络；

所述分割网络计算得到所述交互上下文场景对应的体素化场景中各个体素对应的功能性概率；

根据各个体素对应的功能性概率将所述交互上下文场景对应的体素化场景分割为不同交互类型对应的体素集合。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

获取当前体素集合对应的当前交互类型，获取与所述当前交互类型对应的候选替换物体；

根据相似性算法从所述候选替换物体中检索得到所述当前体素集合对应的目标替换物体；

在所述交互上下文场景对应的体素化场景中用所述目标替换物体替换所述当前体素集合。