一种基于聚类的CAD草图全景分割方法及装置

一种基于聚类的cad草图全景分割方法及装置
技术领域
1.本发明涉及计算机技术领域，尤其是一种基于聚类的cad草图全景分割方法及装置。


背景技术：

2.计算机辅助设计(computer-aided design,cad)线稿草图是一种较为特殊的草图类型，在工业设计、建造等领域具有非常广泛的应用。全景分割是近年来图像分割领域下出现的一个新的子方向，是语义分割与实例分割的结合形式。对于一幅输入图像，全景分割的目标是对图像中所有像素进行语义分割的同时，还需要对同个类别的不同实例进行分割。在现有的面向cad线稿草图图像的全景分割技术中，有提出了第一个大尺寸、多类别cad全景分割数据集，该数据集内部的数据形式包括线稿草图图像以及svg矢量图两种。为了解决cad全景分割问题，相关技术提出了结合卷积神经网络与图神经网络的pancadnet模型，将cad的全景分割问题转换为目标检测与实例分类问题进行解决。相关技术以矢量图和线稿草图图像两种格式的图像为输入，使用transformer结构来解决cad的全景分割问题，通过先预测每个矢量线条与其对应的实例中心之间的偏移量、再进行聚类后处理操作得到最终实例来解决cad全景分割问题。gat-cadnet以矢量图为输入形式，使用图结构来对cad的全景分割问题进行建模。在构造模型的过程中，其将全景分割问题转化为对邻接矩阵的预测，最后通过对该邻接矩阵的后处理来得到全景分割结果。
3.现有的技术存在以下两方面的缺点：1)使用常规目标检测的方法对实例进行预测，由于cad数据线条分布密集细致(类似小目标)，使用常规目标检测容易对线条产生误判，并且对于形状不规则物体检测效果不好；2)对每个矢量线条所属实例中心的偏移量进行预测来实现全景分割，gat-cadnet将全景分割问题转化为对邻接矩阵的预测来解决，这些工作均高度依赖后处理操作以得到最终的全景分割结果。


技术实现要素：

4.有鉴于此，本发明实施例提供一种适用性强的基于聚类的cad草图全景分割方法及装置。
5.本发明实施例的一方面提供了一种基于聚类的cad草图全景分割方法，包括:
6.获取cad数据；
7.通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征；
8.构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；
9.通过神经网络构造得到第一预测头和第二预测头；
10.根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果。
11.可选地，所述获取cad数据，包括：
12.在构造每个聚类节点时，以每个矢量线条为一个节点，并且抽取矢量线条中心坐
标、矢量线条类型以及矢量线条长度三个维度的特征组成每个矢量线条的特征抽象表示形式；
13.对矢量线条的中心坐标使用矢量图的长和宽来执行归一化操作，得到所有矢量线条的抽象节点表示形式；
14.得到输入cad矢量图的矢量节点特征维度。
15.可选地，所述通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征，包括：
16.通过图神经网络对所述cad数据中的图节点特征进行信息结合，完成所述强化处理，得到矢量节点特征。
17.可选地，所述构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征，包括：
18.使用gat-cadnet中构造边特征的方式得到多维的边特征；
19.在第二维上使用最大池化得到包含最显著信息的特征；
20.将所述包含最显著信息的特征与所述矢量节点特征在最后一个维度进行拼接，并且使用一个多层感知机对特征信息进行提炼，得到目标节点特征的表示形式。
21.可选地，所述根据所述第一预测头对所述目标节点特征进行语义类别的预测，包括：
22.使用交叉熵损失对第一预测头进行监督，完成对所述目标节点特征进行语义类别的预测；
23.其中，所述交叉熵损失的表达式为：
[0024][0025]
其中，loss1代表交叉熵损失；y是监督数据中每个矢量线条所属的语义类别，是模型的矢量线条语义类别。
[0026]
可选地，所述根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果这一步骤中，还包括：
[0027]
使用kl散度对分配矩阵进行约束；
[0028]
以及，构造亲和力矩阵，并使用交叉熵对所述亲和力矩阵进行监督；
[0029]
其中，所述亲和力矩阵的表达式为：
[0030]
s＝a*a
t
[0031]
s代表亲和力矩阵；a代表分配矩阵；a
t
代表分配矩阵的转置。
[0032]
可选地，所述亲和力矩阵的损失函数的表达式为：
[0033][0034]
其中，loss2代表亲和力矩阵的损失函数；s代表亲和力矩阵；代表通过分配矩阵得到的亲和力矩阵。
[0035]
本发明实施例的另一方面还提供了一种基于聚类的cad草图全景分割装置，包括：
[0036]
第一模块，用于获取cad数据；
[0037]
第二模块，用于通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征；
[0038]
第三模块，用于构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；
[0039]
第四模块，用于通过神经网络构造得到第一预测头和第二预测头；
[0040]
第五模块，用于根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果。
[0041]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0042]
所述存储器用于存储程序；
[0043]
所述处理器执行所述程序实现如前面所述的方法。
[0044]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0045]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0046]
本发明的实施例获取cad数据；通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征；构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；通过神经网络构造得到第一预测头和第二预测头；根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果。本发明的适用性强，去除繁杂的后处理操作，可通过分配矩阵得到全景分割结果。
附图说明
[0047]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0048]
图1为本发明实施例的整体步骤流程图。
具体实施方式
[0049]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0050]
针对现有技术存在的问题，本发明实施例的一方面提供了一种基于聚类的cad草图全景分割方法，包括:
[0051]
获取cad数据；
[0052]
通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征；
[0053]
构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；
[0054]
通过神经网络构造得到第一预测头和第二预测头；
[0055]
根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果。
[0056]
可选地，所述获取cad数据，包括：
[0057]
在构造每个聚类节点时，以每个矢量线条为一个节点，并且抽取矢量线条中心坐标、矢量线条类型以及矢量线条长度三个维度的特征组成每个矢量线条的特征抽象表示形式；
[0058]
对矢量线条的中心坐标使用矢量图的长和宽来执行归一化操作，得到所有矢量线条的抽象节点表示形式；
[0059]
得到输入cad矢量图的矢量节点特征维度。
[0060]
可选地，所述通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征，包括：
[0061]
通过图神经网络对所述cad数据中的图节点特征进行信息结合，完成所述强化处理，得到矢量节点特征。
[0062]
可选地，所述构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征，包括：
[0063]
使用gat-cadnet中构造边特征的方式得到多维的边特征；
[0064]
在第二维上使用最大池化得到包含最显著信息的特征；
[0065]
将所述包含最显著信息的特征与所述矢量节点特征在最后一个维度进行拼接，并且使用一个多层感知机对特征信息进行提炼，得到目标节点特征的表示形式。
[0066]
可选地，所述根据所述第一预测头对所述目标节点特征进行语义类别的预测，包括：
[0067]
使用交叉熵损失对第一预测头进行监督，完成对所述目标节点特征进行语义类别的预测；
[0068]
其中，所述交叉熵损失的表达式为：
[0069][0070]
其中，loss1代表交叉熵损失；y是监督数据中每个矢量线条所属的语义类别，是模型的矢量线条语义类别。
[0071]
可选地，所述根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果这一步骤中，还包括：
[0072]
使用kl散度对分配矩阵进行约束；
[0073]
以及，构造亲和力矩阵，并使用交叉熵对所述亲和力矩阵进行监督；
[0074]
其中，所述亲和力矩阵的表达式为：
[0075]
s＝a*a
t
[0076]
s代表亲和力矩阵；a代表分配矩阵；a
t
代表分配矩阵的转置。
[0077]
可选地，所述亲和力矩阵的损失函数的表达式为：
[0078][0079]
其中，loss2代表亲和力矩阵的损失函数；s代表亲和力矩阵；代表通过分配矩阵得到的亲和力矩阵。
[0080]
本发明实施例的另一方面还提供了一种基于聚类的cad草图全景分割装置，包括：
[0081]
第一模块，用于获取cad数据；
[0082]
第二模块，用于通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征；
[0083]
第三模块，用于构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；
[0084]
第四模块，用于通过神经网络构造得到第一预测头和第二预测头；
[0085]
第五模块，用于根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果。
[0086]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0087]
所述存储器用于存储程序；
[0088]
所述处理器执行所述程序实现如前面所述的方法。
[0089]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0090]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0091]
下面结合具体实施场景对本发明的方法的具体实施过程进行详细描述：
[0092]
整个方法处理流程如图1所示，具体步骤如下：
[0093]
步骤一：使用svg矢量形式的cad数据作为基础数据。在构造每个聚类节点时，以每个矢量线条为一个节点，并且抽取矢量线条中心坐标、矢量线条类型以及矢量线条长度三个维度的特征组成每个矢量线条的特征抽象表示形式。同时，为了便于网络训练，对矢量线条的中心坐标使用矢量图的长和宽来执行归一化操作。通过该步骤就能够得到输入cad矢量图中所有矢量线条的抽象节点表示形式。如果输入cad矢量图中有k个矢量线条，那么此时初始的矢量节点特征维度为k x d。
[0094]
步骤二：使用图神经网络对图节点特征进行强化。经过步骤一之后得到的矢量节点特征只能表示矢量线条自身的部分信息，而在cad草图图像中，每个矢量线条之间都可能存在一定的关系(比如同为一个实例)。为了对每个矢量节点特征进行强化，使用图神经网络结合节点之间的信息，并且借助神经网络强大的学习能力来对矢量节点特征进行充分的强化更新。具体来说，在强化更新节点特征时，对每个矢量线条节点，以其中心为基准，取与其距离最近的30个矢量节点为邻接节点，以此构造邻接矩阵。在对矢量节点特征进行强化更新时，以矢量节点和邻接矩阵作为图神经网络的输入。由于邻接矩阵中包含了与当前矢量节点相关的其它节点信息，因此经过该步骤后能够得到汇合了其他相关节点信息的更新的矢量节点特征。
[0095]
步骤三：构造初始边特征，并且使用边特征来对每个矢量节点特征进行更新。为了使每个节点特征能够充分表示对应的矢量线条，还使用边特征对节点特征进行优化。具体来说，使用gat-cadnet中构造边特征的方式得到k x k x d维的边特征，然后在第二维上使
用最大池化得到k x d维的包含最显著信息的特征，最后将该特征与步骤二得到的特征在最后一个维度进行拼接，并且使用一个多层感知机对特征信息进行提炼，得到最终的节点特征表示形式，维度为k x d。
[0096]
步骤四：使用神经网络构造两个预测头(head)，一个头对通过步骤三得到的节点特征进行语义类别的预测，使用交叉熵损失进行监督，对应的损失函数如下所示：
[0097][0098]
其中，y是监督数据中每个矢量线条所属的语义类别，是模型的矢量线条语义类别。
[0099]
另一个头同样借助步骤三得到的节点特征，通过该头得到一个分配矩阵a，该分配矩阵的维度为k x n。其中k为当前输入cad矢量线稿中矢量线条的个数，n为聚类实例个数，为一个超参数，预先设定为某个具体的数值(200)。在监督训练的过程中，对于得到的k x n维的分配矩阵a，使用softmax函数对其进行处理，此时第i行分配矩阵a[i]表示第i个节点的聚类概率分布，并且每一行满足的约束。如果第i个节点与第j个节点属于一个聚类实例，则a[i]与a[j]的分布保持一致。在这个基础上，使用kl散度对分配矩阵进行约束，使得属于同一个聚类实例的行与行之间分布一致。同时，在分配矩阵的基础上，构造亲和力(affinity)矩阵s，并且使用交叉熵对其进行监督。亲和力矩阵构造方式以及损失函数如下所示：
[0100]
s＝a*a
t
[0101][0102]
其中，a是分配矩阵，a
t
是分配矩阵的转置，s是监督数据中的亲和力矩阵，是通过分配矩阵得到的亲和力矩阵。
[0103]
通过上述步骤后即能够得到输入cad矢量的分配矩阵，无需后处理操作即可直接通过该分配矩阵得到最终的全景分割结果。
[0104]
综上所述，相较于现有技术，本发明具有以下特点：(1)一个基于聚类思想的面向cad草图全景分割处理方法。
[0105]
(2)适用性较好，基本去除了后处理操作，只需要通过方法得到的分配矩阵即可得到cad草图的全景分割结果。
[0106]
本发明技术方案拥有以下两方面的优点：1)适用性较强。本发明提出的方法使用的是cad矢量数据，将每个矢量线条抽象成图节点的形式、构造基于聚类的神经网络方法来完成cad全景分割任务。相对于floorplancad由于使用目标检测方法导致的不适用于不规则实例，本发明方法能够适用于各种类型形状的实例数据；2)基本去除繁杂的后处理操作。为了完成全景分割，本发明构造了一个由节点特征生成分配矩阵的处理方法，再由该方法得到的分配矩阵来完成cad全景分割。相较于依赖繁杂的后处理操作的cadtransformer和gat-cadnet方法，本研究方法基本不需要后处理操作即可通过分配矩阵得到全景分割结果。
[0107]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和
描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0108]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0109]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0110]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0111]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0112]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0113]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示
例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0114]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0115]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种基于聚类的cad草图全景分割方法，其特征在于，包括:获取cad数据；通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征；构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；通过神经网络构造得到第一预测头和第二预测头；根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果。2.根据权利要求1所述的一种基于聚类的cad草图全景分割方法，其特征在于，所述获取cad数据，包括：在构造每个聚类节点时，以每个矢量线条为一个节点，并且抽取矢量线条中心坐标、矢量线条类型以及矢量线条长度三个维度的特征组成每个矢量线条的特征抽象表示形式；对矢量线条的中心坐标使用矢量图的长和宽来执行归一化操作，得到所有矢量线条的抽象节点表示形式；得到输入cad矢量图的矢量节点特征维度。3.根据权利要求1所述的一种基于聚类的cad草图全景分割方法，其特征在于，所述通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征，包括：通过图神经网络对所述cad数据中的图节点特征进行信息结合，完成所述强化处理，得到矢量节点特征。4.根据权利要求1所述的一种基于聚类的cad草图全景分割方法，其特征在于，所述构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征，包括：使用gat-cadnet中构造边特征的方式得到多维的边特征；在第二维上使用最大池化得到包含最显著信息的特征；将所述包含最显著信息的特征与所述矢量节点特征在最后一个维度进行拼接，并且使用一个多层感知机对特征信息进行提炼，得到目标节点特征的表示形式。5.根据权利要求1所述的一种基于聚类的cad草图全景分割方法，其特征在于，所述根据所述第一预测头对所述目标节点特征进行语义类别的预测，包括：使用交叉熵损失对第一预测头进行监督，完成对所述目标节点特征进行语义类别的预测；其中，所述交叉熵损失的表达式为：其中，loss1代表交叉熵损失；y是监督数据中每个矢量线条所属的语义类别，是模型的矢量线条语义类别。6.根据权利要求1所述的一种基于聚类的cad草图全景分割方法，其特征在于，所述根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果这一步骤中，还包括：使用kl散度对分配矩阵进行约束；以及，构造亲和力矩阵，并使用交叉熵对所述亲和力矩阵进行监督；其中，所述亲和力矩阵的表达式为：
s＝a*a
t
s代表亲和力矩阵；a代表分配矩阵；a
t
代表分配矩阵的转置。7.根据权利要求6所述的一种基于聚类的cad草图全景分割方法，其特征在于，所述亲和力矩阵的损失函数的表达式为：其中，loss2代表亲和力矩阵的损失函数；s代表亲和力矩阵；代表通过分配矩阵得到的亲和力矩阵。8.一种基于聚类的cad草图全景分割装置，其特征在于，包括：第一模块，用于获取cad数据；第二模块，用于通过图网络对所述cad数据中的图节点特征进行强化处理，得到矢量节点特征；第三模块，用于构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；第四模块，用于通过神经网络构造得到第一预测头和第二预测头；第五模块，用于根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取cad矢量线稿的分配矩阵，得到全景分割结果。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种基于聚类的CAD草图全景分割方法及装置，方法包括：获取CAD数据；通过图网络对所述CAD数据中的图节点特征进行强化处理，得到矢量节点特征；构造初始边特征，进而对所述矢量节点特征进行更新，得到目标节点特征；通过神经网络构造得到第一预测头和第二预测头；根据所述第一预测头对所述目标节点特征进行语义类别的预测，进而根据所述第二预测头对所述目标节点特征获取CAD矢量线稿的分配矩阵，得到全景分割结果。本发明的适用性强，去除繁杂的后处理操作，可通过分配矩阵得到全景分割结果，可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。可广泛应用于计算机技术领域。


技术研发人员：高成英 凌鹏 莫浩然
受保护的技术使用者：中山大学
技术研发日：2023.05.26
技术公布日：2023/8/28