一种用于三维网格快速分割的新型拓扑卷积神经网络系统的制作方法

1.本发明涉及计算机信息技术领域，尤其涉及一种用于三维网格快速分割的新型拓扑卷积神经网络系统。


背景技术：

2.卷积神经网络仿造生物的视知觉机制构建，在图像分类、目标识别等领域取得了重要的成果。经研究发现，更深层的网络有利于更好地提取和分析图像的特征，具有更好的拟合性。因此，对简单神经网络进行拓扑使其变得复杂成为了一个优化卷积神经网络的关键技术。现有技术中，神经网络结构拓扑的方法主要包括：遗传算法：通过遗传算法或其他混合数学方法的遗传算法，随机探索隐藏层的节点连接关系和节点个数。智能优化算法：通过智能优化算法提出的混合粒子群优化算法(pso)可以自动搜索神经网络隐藏层层数和节点数。知识蒸馏：通过已有的效果较好的教师网络，指导生成新的学生网络。
3.但是现有的卷积神经网络系统构成较为简单，神经网络系统无法进行快速的学习，从而影响系统的使用效果。


技术实现要素：

4.1.要解决的技术问题本发明的目的是为了解决现有技术中卷积神经网络系统构成较为简单，神经网络系统无法进行快速学习的的问题，而提出的一种用于三维网格快速分割的新型拓扑卷积神经网络系统。
5.2.技术方案为了实现上述目的，本发明采用了如下技术方案：一种用于三维网格快速分割的新型拓扑卷积神经网络系统，包括数据采集系统、数据分析系统、神经网络构建系统和神经网络训练系统，所述数据采集系统的输出端与数据分析系统的输入端连接，所述数据分析系统的输入端连接与神经网络构建系统的输入端连接，所述神经网络构建系统的输出端与伸缩网络训练系统的输入端连接。
6.优选地，所述神经网络构建系统包括文本分词、词频统计、特征权重计算和渐进近似表示。
7.优选地，所述文本分词的输出端与词频统计的输入端连接，所述词频统计的输出端与特征权重计算的输入端连接，所述特征权重计算的输出端与渐进近似表示的输入端连接。
8.优选地，所述神经网络训练系统包括输入层、卷积层、池化层、flatten层、全连接层和输出层。
9.优选地，所述输入层的输出端与卷积层的输入端连接，所述卷积层的输出端与池化层的输入端连接，所述池化层的输出端与flatten层的输入端连接，所述flatten层的输出端与全连接层的输入端连接，所述全连接层的输出端与输出层的输入端连接。
10.优选地，所述拓扑方式包括拓宽、拆分、加深和添加短路连接。
11.优选地，所述拓宽为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，对该卷积层的滤波器进行随机复制，并将复制的滤波器添加到原卷积层中以使原卷积层被拓宽成为新的卷积层。
12.优选地，所述拆分为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，将该卷积层的滤波器进行等分，拆分为滤波器数量相同的两个新卷积层，并对两个新卷积层的输出进行连接操作。
13.优选地，所述加深为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，在该卷积层后直接添加一个与该卷积层滤波器数量相同的新卷积层。
14.优选地，所述添加短路连接为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，在该卷积层后直接添加一个与该卷积层滤波器数量相同的且参数为0的新卷积层，并将该卷积层的输出与新卷积层的输出进行叠加操作。
15.3.有益效果相比于现有技术，本发明的优点在于：本发明中，通过数据采集系统、数据分析系统、神经网络构建系统和神经网络训练系统的设置，使神经网络系统可以快速的进行学习，从而提升了神经网络系统的使用效果。
附图说明
16.图1为本发明提出的一种用于三维网格快速分割的新型拓扑卷积神经网络系统的组成示意图；图2为本发明提出的一种用于三维网格快速分割的新型拓扑卷积神经网络系统神经网络构建系统的结构示意图；图3为本发明提出的一种用于三维网格快速分割的新型拓扑卷积神经网络系统神经网络训练系统的结构示意图。
具体实施方式
17.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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
18.实施例1：参照图1-3，一种用于三维网格快速分割的新型拓扑卷积神经网络系统，包括数据采集系统、数据分析系统、神经网络构建系统和神经网络训练系统，神经网络构建系统包括文本分词、词频统计、特征权重计算和渐进近似表示，文本分词的输出端与词频统计的输入端连接；本发明中，词频统计的输出端与特征权重计算的输入端连接，特征权重计算的输出端与渐进近似表示的输入端连接，神经网络训练系统包括输入层、卷积层、池化层、flatten层、全连接层和输出层，输入层的输出端与卷积层的输入端连接；本发明中，卷积层的输出端与池化层的输入端连接，池化层的输出端与flatten层的输入端连接，flatten层的输出端与全连接层的输入端连接，全连接层的输出端与输出层的输入端连接；
本发明中，数据采集系统的输出端与数据分析系统的输入端连接，数据分析系统的输入端连接与神经网络构建系统的输入端连接，神经网络构建系统的输出端与伸缩网络训练系统的输入端连接，拓扑方式包括拓宽、拆分、加深和添加短路连接；本发明中，拓宽为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，对该卷积层的滤波器进行随机复制，并将复制的滤波器添加到原卷积层中以使原卷积层被拓宽成为新的卷积层；本发明中，拆分为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，将该卷积层的滤波器进行等分，拆分为滤波器数量相同的两个新卷积层，并对两个新卷积层的输出进行连接操作；本发明中，加深为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，在该卷积层后直接添加一个与该卷积层滤波器数量相同的新卷积层；本发明中，添加短路连接为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，在该卷积层后直接添加一个与该卷积层滤波器数量相同的且参数为0的新卷积层，并将该卷积层的输出与新卷积层的输出进行叠加操作。
19.本发明中，通过数据采集系统、数据分析系统、神经网络构建系统和神经网络训练系统的设置，使神经网络系统可以快速的进行学习，从而提升了神经网络系统的使用效果。
20.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。


技术特征：
1.一种用于三维网格快速分割的新型拓扑卷积神经网络系统，包括数据采集系统、数据分析系统、神经网络构建系统和神经网络训练系统，其特征在于，所述数据采集系统的输出端与数据分析系统的输入端连接，所述数据分析系统的输入端连接与神经网络构建系统的输入端连接，所述神经网络构建系统的输出端与伸缩网络训练系统的输入端连接。2.根据权利要求1所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述神经网络构建系统包括文本分词、词频统计、特征权重计算和渐进近似表示。3.根据权利要求2所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述文本分词的输出端与词频统计的输入端连接，所述词频统计的输出端与特征权重计算的输入端连接，所述特征权重计算的输出端与渐进近似表示的输入端连接。4.根据权利要求1所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述神经网络训练系统包括输入层、卷积层、池化层、flatten层、全连接层和输出层。5.根据权利要求4所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述输入层的输出端与卷积层的输入端连接，所述卷积层的输出端与池化层的输入端连接，所述池化层的输出端与flatten层的输入端连接，所述flatten层的输出端与全连接层的输入端连接，所述全连接层的输出端与输出层的输入端连接。6.根据权利要求1所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述拓扑方式包括拓宽、拆分、加深和添加短路连接。7.根据权利要求6所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述拓宽为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，对该卷积层的滤波器进行随机复制，并将复制的滤波器添加到原卷积层中以使原卷积层被拓宽成为新的卷积层。8.根据权利要求6所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述拆分为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，将该卷积层的滤波器进行等分，拆分为滤波器数量相同的两个新卷积层，并对两个新卷积层的输出进行连接操作。9.根据权利要求6所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述加深为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，在该卷积层后直接添加一个与该卷积层滤波器数量相同的新卷积层。10.根据权利要求6所述的一种用于三维网格快速分割的新型拓扑卷积神经网络系统，其特征在于，所述添加短路连接为随机选择待拓扑卷积神经网络中某一卷积层作为拓扑对象，在该卷积层后直接添加一个与该卷积层滤波器数量相同的且参数为0的新卷积层，并将该卷积层的输出与新卷积层的输出进行叠加操作。

技术总结
本发明公开了一种用于三维网格快速分割的新型拓扑卷积神经网络系统，包括数据采集系统、数据分析系统、神经网络构建系统和神经网络训练系统，所述数据采集系统的输出端与数据分析系统的输入端连接，所述数据分析系统的输入端连接与神经网络构建系统的输入端连接，所述神经网络构建系统的输出端与伸缩网络训练系统的输入端连接。本发明中，通过数据采集系统、数据分析系统、神经网络构建系统和神经网络训练系统的设置，使神经网络系统可以快速的进行学习，从而提升了神经网络系统的使用效果。果。果。


技术研发人员：沈欢 李鑫 戴璨
受保护的技术使用者：深圳创壹通航科技有限公司
技术研发日：2021.01.28
技术公布日：2022/7/29