基于深度学习的三维模型三角面特征学习分类方法及装置

摘要

本发明提供一种基于深度学习的三维模型三角面特征学习分类方法及装置，该方法包括：构建深度卷积神经网络特征学习模型；训练深度卷积神经网络特征学习模型；对无类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构；根据所述训练后的深度卷积神经网络特征学习模型，以及所述无类别标签的三维模型三角面片对应的初始特征，确定所述无类别标签的三维模型三角面片对应的输出特征并进行分类。该方法提升了对于三维模型三角面片的描述能力，保证了三维模型三角面片特征学习与分类的结果的准确性。

说明书

技术领域

本发明涉及计算机技术，尤其涉及一种基于深度学习的三维模型三角面特征学习分类方法及装置。

背景技术

随着社会科技的不断进步发展，三维技术已成为现代科技的重要组成部分。三维模型三角面片特征学习与分类技术作为三维模型理解与处理的重要基础技术之一，在三维建模、三维动画以及三维贴图等各三维技术领域都发挥着巨大作用。

现有技术中，提出了多种三维模型三角面片特征学习与分类技术，例如2016年，浙江大学的Zhenyu Shu等人提出了一种无监督的基于深度学习的三维模型三角面分类与共分割方法。该方法在预分割的基础上，提取三维模型特征，在无监督的条件下，使用深度学习模型auto-encoder对特征进行重构学习，并对输出特征应用GMM进行聚类，得到三维模型三角面片分类与共分割结果。该方法采用无监督的特征学习方式，无法保证学习得到正确的输出特征，同时无法保证得到准确的三角面片分类结果。

综上所述，现有技术所提出的特征对于三角面片的描述能力不够，导致三维模型三角面片特征学习与分类的结果不够准确。

发明内容

本发明提供一种基于深度学习的三维模型三角面特征学习分类方法及装置，用于解决现有技术中对三角面片的描述能力不够的问题。

本发明第一方面提供一种基于深度学习的三维模型三角面特征学习分类方法，包括：

构建深度卷积神经网络特征学习模型，所述深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层，其中，所述第一卷积层具有16个尺寸为5*5的卷积核，所述第一下采样层的缩放因子为2，所述第二卷积层具有16*20个尺寸为3*3的卷积核，所述第二下采样层的缩放因子为2；

对具有类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取所述具有类别标签的三维模型三角面片对应的初始特征；

使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型，获取训练后的深度卷积神经网络特征学习模型；

对无类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取所述无类别标签的三维模型三角面片对应的初始特征；

根据所述训练后的深度卷积神经网络特征学习模型，以及所述无类别标签的三维模型三角面片对应的初始特征，确定所述无类别标签的三维模型三角面片对应的输出特征；

根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类。

进一步地，所述对具有类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取所述具有类别标签的三维模型三角面片对应的初始特征，包括：

计算所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征；

根据所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征，使用K-means算法对所述具有类别标签的三维模型三角面片的每类特征分别进行聚类，获取K个聚类中心，其中，K为大于0的整数；

将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换，并将变换后的k个新特征求和并除以k，获取具有类别标签的三维模型的每个三角面片的平均特征值；

确定具有类别标签的三维模型的每个三角面片的邻居面片；

将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算，将运算结果作为所述具有类别标签的三维模型三角面片对应的初始特征；

对所述具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。

进一步地，所述使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型，获取训练后的深度卷积神经网络特征学习模型，包括：

A、将所述具有类别标签的三维模型三角面片对应的初始特征输入到所述深度卷积神经网络特征学习模型中，逐层计算，获取具有类别标签的三维模型的每个面片属于各类别的概率；

B、将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算，获取残差；

C、根据所述残差从所述深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导，并逐层更新每层的参数值；

D、循环执行A-C，直至执行次数达到预设次数。

进一步地，所述根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类，包括：

对所述无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算；

使用非线性函数对加权与偏置计算的结果进行激活，获取激活值；

根据所述激活值进行分类概率求解。

进一步地，还包括：

确定无类别标签的三维模型的边界三角面片；

根据所述无类别标签的三维模型三角面片的分类结果，以及所确定出的无类别标签的三维模型的边界三角面片，使用Fuzzycuts算法进行分类结果优化。

本发明第二方面提供一种基于深度学习的三维模型三角面特征学习分类装置，包括：

构建模块，用于构建深度卷积神经网络特征学习模型，所述深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层，其中，所述第一卷积层具有16个尺寸为5*5的卷积核，所述第一下采样层的缩放因子为2，所述第二卷积层具有16*20个尺寸为3*3的卷积核，所述第二下采样层的缩放因子为2；

第一重构模块，用于对具有类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取所述具有类别标签的三维模型三角面片对应的初始特征；

训练模块，用于使用所述具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型，获取训练后的深度卷积神经网络特征学习模型；

第二重构模块，用于对无类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取所述无类别标签的三维模型三角面片对应的初始特征；

第一确定模块，用于根据所述训练后的深度卷积神经网络特征学习模型，以及所述无类别标签的三维模型三角面片对应的初始特征，确定所述无类别标签的三维模型三角面片对应的输出特征；

分类模块，用于根据所述无类别标签的三维模型三角面片对应的输出特征对所述无类别标签的三维模型三角面片进行分类。

进一步地，所述第一重构模块包括：

计算单元，用于计算所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征；

聚类单元，用于根据所述具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征，使用K-means算法对所述具有类别标签的三维模型三角面片的每类特征分别进行聚类，获取K个聚类中心，其中，K为大于0的整数；

获取单元，用于将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换，并将变换后的k个新特征求和并除以k，获取具有类别标签的三维模型的每个三角面片的平均特征值；

确定单元，用于确定具有类别标签的三维模型的每个三角面片的邻居面片；

运算单元，用于将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算，将运算结果作为所述具有类别标签的三维模型三角面片对应的初始特征；

归一单元，用于对所述具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。

进一步地，所述训练模块包括：

第一计算单元，用于将所述具有类别标签的三维模型三角面片对应的初始特征输入到所述深度卷积神经网络特征学习模型中，逐层计算，获取具有类别标签的三维模型的每个面片属于各类别的概率；

第二计算单元，用于将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算，获取残差；

第三计算单元，用于根据所述残差从所述深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导，并逐层更新每层的参数值。

进一步地，所述分类模块包括：

第四计算单元，用于对所述无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算；

第五计算单元，用于使用非线性函数对加权与偏置计算的结果进行激活，获取激活值；

第六计算单元，用于根据所述激活值进行分类概率求解。

进一步地，还包括：

第二确定模块，用于确定无类别标签的三维模型的边界三角面片；

优化模块，用于根据所述无类别标签的三维模型三角面片的分类结果，以及所确定出的无类别标签的三维模型的边界三角面片，使用Fuzzycuts算法进行分类结果优化。

本发明所提供的方法，在训练深度卷积神经网络特征学习模型以及将三维模型三角面片特征输入到深度卷积神经网络特征学习模型之前，都会对三维模型三角面片进行特征提取以及重构，从而提升了对于三维模型三角面片的描述能力，在此基础上结合特定结构的深度卷积神经网络特征学习模型进行特征处理以及分类，从而保证了三维模型三角面片特征学习与分类的结果的准确性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例一的流程示意图；

图2为该深度卷积神经网络特征学习模型的示意图；

图3为第4层的处理示意图；

图4为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例二的流程示意图；

图5为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例三的流程示意图；

图6为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例四的流程示意图；

图7为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例五的流程示意图；

图8为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例一的模块结构图；

图9为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例二的模块结构图；

图10为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例三的模块结构图；

图11为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例四的模块结构图；

图12为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例五的模块结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有作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。

图1为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例一的流程示意图，如图1所示，该方法包括：

S101、构建深度卷积神经网络特征学习模型。

图2为该深度卷积神经网络特征学习模型的示意图，如图2所示，该深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层，其中，第一卷积层具有16个尺寸为5*5的卷积核，第一下采样层的缩放因子为2，第二卷积层具有16*20个尺寸为3*3的卷积核，第二下采样层的缩放因子为2。

以下介绍该深度卷积神经网络特征学习模型的处理过程。

参照图2，本发明深度卷积神经网络特征学习模型主要分6层，第1层为输入层，第2层为包含16个尺寸为5*5的卷积核的卷积层，即第一卷积层。假设W_i为一个卷积核的权重，则定义卷积操作如下：

Output_i＝W_i*Input+b_i,i＝1...16

其中，*表示卷积操作，b_i表示偏置向量。利用16个卷积核对输入的初始特征进行卷积操作，得到16个尺寸为16*16的特征，紧接着利用sigmoid激活函数对其进行激活操作如下：

进而，在第3层，即第一下采样层，对经过非线性与激活操作后的特征进行缩放因子为2的下采样操作，得到16个尺寸为8*8的特征作为第4层的输入。

进而，在第4层，即第二卷积层，将第3层输出的16个特征扩展为20个尺寸为6*6的新特征。图3为第4层的处理示意图，如图4所示，对于每一个新特征的求解，都利用16个尺寸为3*3的卷积核构建的卷积层对第3层的16个输出特征进行卷积操作并进行叠加操作。

进而，在第5层，即第二下采样层，对得到的特征进行激活操作与下采样操作，得到20个尺寸为3*3的特征。

进而，在第6层，即全连接层，将第5层输出的特征重构为180*1的特征向量，为了将输出特征归一化到[0,1]之间，再利用非线性映射并再次应用sigmoid激活函数对其进行激活操作，并得到三维模型中每个三角面片属于不同类别的概率值P_t。

S102、对具有类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取具有类别标签的三维模型三角面片对应的初始特征。

S103、使用具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型，获取训练后的深度卷积神经网络特征学习模型。

步骤S102-S103是训练上述深度卷积神经网络特征学习模型的过程，在步骤S102中，先对已经具有类别标签的三维模型三角面片特征提取及重构，将重构的特征作为深度卷积神经网络特征学习模型的输入。

进而，在步骤S103中，对深度卷积神经网络特征学习模型进行训练。

S104、对无类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取无类别标签的三维模型三角面片对应的初始特征。

S105、根据训练后的深度卷积神经网络特征学习模型，以及无类别标签的三维模型三角面片对应的初始特征，确定无类别标签的三维模型三角面片对应的输出特征。

S106、根据无类别标签的三维模型三角面片对应的输出特征对无类别标签的三维模型三角面片进行分类。

步骤S104-S106是使用训练好的深度卷积神经网络特征学习模型对三维模型三角面片进行分类的过程。其中，步骤S104是对三维模型三角面片进行特征提取及重构，其方法与S102相同，具体过程将在下文中进行详细描述。

在步骤S105中，将经过S104所计算出的初始特征输入到训练好的深度卷积神经网络特征学习模型中，深度卷积神经网络特征学习模型会输出其对应的输出特征，其中，初始特征在卷积神经网络特征学习模型中的处理过程可以参照前述步骤S101中的深度卷积神经网络特征学习模型的处理过程，此处不再赘述。

在步骤S106中，根据深度卷积神经网络特征学习模型所输出的特征对三维模型三角面片进行分类。

本实施例中，首先构建具有特定结构的深度卷积神经网络特征学习模型并对其进行训练，进而使用训练好的深度卷积神经网络特征学习模型来获取需要进行分类的三维模型三角面片的输出特征，再基于这些输出特征对三维模型三角面片进行分类。其中，在训练深度卷积神经网络特征学习模型以及将三维模型三角面片特征输入到深度卷积神经网络特征学习模型之前，都会对三维模型三角面片进行特征提取以及重构，从而提升了对于三维模型三角面片的描述能力，在此基础上结合特定结构的深度卷积神经网络特征学习模型进行特征处理以及分类，从而保证了三维模型三角面片特征学习与分类的结果的准确性。

在上述实施例的基础上，本实施例涉及对三维模型三角面片进行特征提取与重构的过程，本实施例以深度卷积神经网络特征学习模型训练前的特征提取与重构为例来进行说明，即本实施例介绍S102的具体执行过程。S104的执行过程与S102的过程相同，仅需要将下述步骤中的具有类别标签的三维模型三角面片替换为无类别标签的三维模型三角面片即可。

图4为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例二的流程示意图，如图4所示，上述步骤S102具体包括：

S201、计算具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征。

S202、根据具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征，使用K-means算法对具有类别标签的三维模型三角面片的每类特征分别进行聚类，获取K个聚类中心。

其中，K为大于0的整数。

S203、将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换，并将变换后的k个新特征求和并除以k，获取具有类别标签的三维模型的每个三角面片的平均特征值。

具体地，假设将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征所得到的结果为Disk，则使用如下公式对Disk进行非线性变换：

NDisk＝exp(-Disk/kbof)

其中，kbof为比例系数，可选地，可以将kbof设置为1e6。

S204、确定具有类别标签的三维模型的每个三角面片的邻居面片。

S205、将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算，将运算结果作为具有类别标签的三维模型三角面片对应的初始特征。

S206、对具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。

在上述实施例的基础上，本实施例涉及训练深度卷积神经网络特征学习模型的具体方法，即，图5为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例三的流程示意图，如图5所示，上述步骤S103具体包括：

S301、将具有类别标签的三维模型三角面片对应的初始特征输入到深度卷积神经网络特征学习模型中，逐层计算，获取具有类别标签的三维模型的每个面片属于各类别的概率。

在训练深度卷积神经网络特征学习模型时，主要需要训练的参数是权重矩阵W和偏置向量b。

该步骤为前向传导过程，在前向传导过程中，用很小的随机数初始化权重矩阵W，并用0向量初始化偏置向量b。进而，使用输入的初始特征通过深度卷积神经网络特征学习模型进行逐层计算，得到每个三角面片t的输出特征以及每个三角面片属于不同类别的概率值P_t。

S302、将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算，获取残差。

假设G_t表示ground-truth数据，则利用欧式距离计算残差的公式如下：

其中，T为训练过程中使用的所有三维网格三角面片的集合。

S303、根据残差从深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导，并逐层更新每层的参数值。

该步骤为反向传播过程，反向传播过程的目的是通过调节每一层的参数W和b来减少残差Error_t。由于Output＝W*Input+b，则计算残差Error_t对b的偏导的公式为：

其中，从第l+1层反向传播到第l层时：

其中，"·"表示每个元素对应相乘操作，"C"和"S"分别表示卷积操作和下采样操作。

需要说明的是，在计算残差的最后一层L层，与其他层的计算略有不同：

δ^L＝sigmoid'(Output^L)·(G_t-P_t)＝Output^L·(1-Output^L)·(G_t-P_t)

与计算残差Error_t对b的偏导类似，计算残差Error_t对W的偏导的公式为：

最后，利用下述公式更新每层的参数：

其中，α为学习速率，可选地，α的值可以设置为0.98。

S304、循环执行S301-S303，直至执行次数达到预设次数。

上述前向传导与反向传播过程不断迭代直到迭代次数达到预设次数，即残差收敛。

可选地，可以根据训练集规模来设置迭代次数。

在上述实施例的基础上，本实施例涉及三维模型三角面片分类的具体过程，即，图6为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例四的流程示意图，如图6所示，上述步骤S106具体包括：

S401、对无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算。

S402、使用非线性函数对加权与偏置计算的结果进行激活，获取激活值。

S403、根据激活值进行分类概率求解。

图7为本发明提供的基于深度学习的三维模型三角面特征学习分类方法实施例五的流程示意图，如图7所示，在对无类别标签的三维模型三角面片进行分类之后，还包括：

S501、确定无类别标签的三维模型的边界三角面片。

S502、根据无类别标签的三维模型三角面片的分类结果，以及所确定出的无类别标签的三维模型的边界三角面片，使用Fuzzycuts算法进行分类结果优化。

图8为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例一的模块结构图，如图8所示，该装置包括：

构建模块501，用于构建深度卷积神经网络特征学习模型，该深度卷积神经网络特征学习模型具有第一卷积层、第一下采样层、第二卷积层以及第二下采样层，其中，第一卷积层具有16个尺寸为5*5的卷积核，第一下采样层的缩放因子为2，第二卷积层具有16*20个尺寸为3*3的卷积核，第二下采样层的缩放因子为2。

第一重构模块502，用于对具有类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取具有类别标签的三维模型三角面片对应的初始特征。

训练模块503，用于使用具有类别标签的三维模型三角面片对应的初始特征训练深度卷积神经网络特征学习模型，获取训练后的深度卷积神经网络特征学习模型。

第二重构模块504，用于对无类别标签的三维模型三角面片进行特征提取与特征向量构建，并使用词袋算法对所构建的特征向量中的特征进行重构，获取无类别标签的三维模型三角面片对应的初始特征。

第一确定模块505，用于根据训练后的深度卷积神经网络特征学习模型，以及无类别标签的三维模型三角面片对应的初始特征，确定无类别标签的三维模型三角面片对应的输出特征。

分类模块506，用于根据无类别标签的三维模型三角面片对应的输出特征对无类别标签的三维模型三角面片进行分类。

该装置用于实现前述方法实施例，其实现原理和技术效果类似，此处不再赘述。

图9为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例二的模块结构图，如图9所示，第一重构模块502包括：

计算单元5021，用于计算具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征。

聚类单元5022，用于根据具有类别标签的三维模型三角面片的曲率特征、形状特征、距离特征、上下文特征以及主成分特征，使用K-means算法对具有类别标签的三维模型三角面片的每类特征分别进行聚类，获取K个聚类中心，其中，K为大于0的整数。

获取单元5023，用于将具有类别标签的三维模型的每个三角面片的特征分别减去每个聚类中心的特征并进行非线性变换，并将变换后的k个新特征求和并除以k，获取具有类别标签的三维模型的每个三角面片的平均特征值。

确定单元5024，用于确定具有类别标签的三维模型的每个三角面片的邻居面片。

运算单元5025，用于将具有类别标签的三维模型的每个三角面片的平均特征值乘以邻居面片的平均特征值并进行加和运算，将运算结果作为具有类别标签的三维模型三角面片对应的初始特征。

归一单元5026，用于对具有类别标签的三维模型三角面片对应的初始特征进行归一化计算。

图10为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例三的模块结构图，如图10所示，训练模块503包括：

第一计算单元5031，用于将具有类别标签的三维模型三角面片对应的初始特征输入到深度卷积神经网络特征学习模型中，逐层计算，获取具有类别标签的三维模型的每个面片属于各类别的概率。

第二计算单元5032，用于将获取到的具有类别标签的三维模型的每个面片属于各类别的概率与具有类别标签的三维模型的每个三角面片所具有的类别标签数据相减并做平方运算，获取残差。

第三计算单元5033，用于根据残差从深度卷积神经网络特征学习模型的最后一层向前逐层对每一层的参数求偏导，并逐层更新每层的参数值。

图11为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例四的模块结构图，如图11所示，分类模块506包括：

第四计算单元5061，用于对无类别标签的三维模型三角面片对应的输出特征进行加权与偏置计算。

第五计算单元5062，用于使用非线性函数对加权与偏置计算的结果进行激活，获取激活值。

第六计算单元5063，用于根据激活值进行分类概率求解。

图12为本发明提供的基于深度学习的三维模型三角面特征学习分类装置实施例五的模块结构图，如图12所示，该装置还包括：

第二确定模块507，用于确定无类别标签的三维模型的边界三角面片。

优化模块508，用于根据无类别标签的三维模型三角面片的分类结果，以及所确定出的无类别标签的三维模型的边界三角面片，使用Fuzzycuts算法进行分类结果优化。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。