[发明专利]一种基于图卷积网络的网格分割方法

权利要求书

1.一种基于图卷积网络的网格分割方法，其特征在于，包括以下步骤：

步骤一：将网格模型变换到指定的面片数量，并进行标准化处理。

步骤二：将步骤一处理后的模型转换为图表示，并对每个面进行初步特征提取后输入到训练好的图卷积神经网络中，对网格中每个面属于的部位种类进行预测。其中，所述图卷积神经网络包括：

变换模块，用于使输入的初步特征的朝向相近。

图卷积模块，用于根据变换后的初步特征学习与实际空间中邻面以及特征空间中邻面有关的特征。

特征嵌入模块，用于根据图卷积模块获得的特征获取同类相近不同类距离较远的特征。

输出模块，用于根据图卷积层学到的特征以及特征嵌入的结果获得预测分割结果。

2.根据权利要求1所述的一种基于图卷积网络的网格分割方法，其特征在于，所述步骤一通过以下子步骤来实现：

(1.1)对于输入模型，将其简化或细分到指定面片数量。

(1.2)对于变换后的模型，对其进行平移和缩放操作，使模型中所有顶点的均值为0，离原点的最大距离为1。

3.根据权利要求1所述的一种基于图卷积网络的网格分割方法，其特征在于，所述变换模块由一层静态卷积层、一层最大池化层与若干全连接层组成，所述一层静态卷积层、一层最大池化层与若干全连接层用于预测一个旋转矩阵，并通过旋转矩阵对于输入的初步特征进行变换。

4.根据权利要求1所述的一种基于图卷积网络的网格分割方法，其特征在于，所述图卷积模块包括静态卷积层、动态卷积层、全连接层和池化层，其中，静态卷积层、动态卷积层各层学到的特征连接并输入到全连接层进行总结并通过池化层得到总体特征。

5.根据权利要求1所述的一种基于图卷积网络的网格分割方法，其特征在于，所述特征嵌入模块由全连接层组成。

6.根据权利要求1所述的一种基于图卷积网络的网格分割方法，其特征在于，所述特征嵌入模块训练时利用三个损失函数对其约束，L_var约束同类特征相近，L_dist约束不同类别的特征较远，L_reg约束特征嵌入的范围。