公开(公告)号：CN112085837A

公开(公告)日：2020-12-15

申请号：CN202010944886.0

申请日：2020-09-10

Applicant: 哈尔滨理工大学

Inventor： 高雪瑶 ,  李正杰 ,  张春祥

IPC: G06T17/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于几何形状和LSTM神经网络的三维模型分类方法。本发明提取三维模型的几何形状特征向量D1、D2、D3和A3，将这些特征向量视为一个向量序列作为输入传递到LSTM神经网络，训练降噪自编码器。降噪自编码器的编码部分是LSTM神经网络，LSTM神经网络将特征向量进行特征提取聚合为全局特征，用于三维模型的识别和分类。使用训练集中三维模型的全局特征和类别标签，来训练XGBoost分类器的权值。利用优化的LSTM神经网络和XGBoost分类器对测试集中的三维模型进行分类。本发明在三维模型分类方面具有较好的效果。

公开(公告)号：CN112085837B

公开(公告)日：2022-04-26

申请号：CN202010944886.0

申请日：2020-09-10

Applicant: 哈尔滨理工大学

Inventor： 高雪瑶 ,  李正杰 ,  张春祥

IPC: G06T17/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明涉及一种基于几何形状和LSTM神经网络的三维模型分类方法。本发明提取三维模型的几何形状特征向量D1、D2、D3和A3，将这些特征向量视为一个向量序列作为输入传递到LSTM神经网络，训练降噪自编码器。降噪自编码器的编码部分是LSTM神经网络，LSTM神经网络将特征向量进行特征提取聚合为全局特征，用于三维模型的识别和分类。使用训练集中三维模型的全局特征和类别标签，来训练XGBoost分类器的权值。利用优化的LSTM神经网络和XGBoost分类器对测试集中的三维模型进行分类。本发明在三维模型分类方面具有较好的效果。