CN109165313A - 一种基于特征描述子的三维模型双层检索方法和装置 - Google Patents
一种基于特征描述子的三维模型双层检索方法和装置 Download PDFInfo
- Publication number
- CN109165313A CN109165313A CN201810758410.0A CN201810758410A CN109165313A CN 109165313 A CN109165313 A CN 109165313A CN 201810758410 A CN201810758410 A CN 201810758410A CN 109165313 A CN109165313 A CN 109165313A
- Authority
- CN
- China
- Prior art keywords
- threedimensional model
- attribute
- adjacent
- feature descriptor
- local feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于特征描述子的三维模型双层检索方法和装置,构建属性邻接标记图,并将属性邻接标记图分割成多个局部区域邻接子图;提取每个局部区域邻接子图的局部特征描述子;对局部特征描述子进行聚类,构建词汇本;统计词汇本中各关键词对在模型库的每个三维模型中出现的频率,构建空间词袋;基于空间词袋和局部特征描述子对三维模型进行匹配与检索。本发明由属性邻接标记图、图谱以及空间词袋等进行表征三维模型的局部和整体信息,从而构建粒度上由细到粗的层次化特征描述子;然后依据这两个不同粒度的描述子,采用粗细结合的方法,分两层进行检索。
Description
技术领域
本发明涉及三维模型检索领域,具体涉及一种基于特征提取以及空间词袋表征,根据精准度而分层次来进行的三维模型双层次检索方法和装置。
背景技术
企业在研发过程中,由于积累了丰富的产品三维模型,所以如何方便、准确并且快速地获取已有产品三维模型的相似性设计成果,支持可重用基础上的产品快速设计与制造。这是提高产品开发效率和质量、缩短产品开发周期的关键之一。
模型检索的基础是,构建尽可能接近模型的原始信息,例如形状、结构、语义的相关属性,在此基础上进行相似性比较,近年来已经有不少学者围绕这些开展了研究。但以上几个方向普遍是考虑整体因素较多,而局部细节特征的描述能力不足,局部特征信息不突出。因此,如何采用分层的检索方式来克服上述不足,仍是待解决的技术问题。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于特征描述子的三维模型双层检索方法和装置,由属性邻接标记图、图谱以及空间词袋等进行表征三维模型的局部和整体信息,从而构建粒度上由细到粗的层次化特征描述子;然后依据这两个不同粒度的描述子,采用粗细结合的方法,分两层进行检索。
本发明所采用的技术方案是:
本发明的第一目的是提供一种基于特征描述子的三维模型双层检索方法,该方法包括以下步骤:
步骤一:构建属性邻接标记图,并将属性邻接标记图分割成多个局部区域邻接子图;
步骤二:提取每个局部区域邻接子图的局部特征描述子;
步骤三:对局部特征描述子进行聚类,构建词汇本;
步骤四:统计词汇本中各关键词对在模型库的每个三维模型中出现的频率,构建空间词袋;
步骤五:基于空间词袋和局部特征描述子对三维模型进行双层匹配与检索。
进一步的,所述属性邻接标记图的构建方法为:
定义属性邻接标记图的数据结构,包括邻接性和凹凸性;
遍历三维模型的每个面并提取每个面的所有属性,创建属性邻接标记图的对应节点;
识别三维模型的每个面之间的邻接关系,创建属性邻接标记图的边;
基于属性邻接标记图的对应节点和属性邻接标记图的边,构建单个三维模型的属性邻接标记图。
进一步的,所述步骤1中,采用合并优化的方法将属性邻接标记图分割成由多个局部区域邻接子图。
进一步的,所述局部特征描述子的提取方法为:
根据局部区域邻接子图的各属性以及图谱理论,将局部区域邻接子图进行编码,构建一个局部特征描述子的七元组,包括局部区域子图的节点数、连线数、节点的最大度、最小度、节点类型直方图、哈希字符串和谱向量。
进一步的,所述节点类型直方图是对应局部区域面类型属性,统计局部区域邻接子图中各类型节点出现的频次;
所述哈希字符串是一个节点与其邻居节点的连线对的映射;
所述谱向量是对应局部区域的拓扑属性,通过计算拉普拉斯矩阵得到一个有向序列谱向量的长度;采用填补法进行修改使得各局部区域的谱向量长度一致。
进一步的,所述词汇本的构建方法为:
随机选择k个局部特征描述子作为初始关键字;
计算其他局部特征描述子到各关键词之间的欧氏距离,将局部特征描述子分配到最近的关键词所在类簇;
使用均值重新计算第t次迭代的关键词,即新的聚类中心;
比较欧氏距离的最大值和最小值,得出各聚类中心的关键词;
将各聚类中心的关键词进行集合得到词汇本。
进一步的,所述空间词袋的构建方法为:
按照步骤一和步骤二的方法将模型库中每个三维模型进行区域分割和提取局部特征描述子;
将分割后的局部区域看作一个个完整的节点,然后在这些节点之间建立相关关系并连边,得到局部区域邻接子图;
遍历局部区域邻接子图的每个节点,将每条连线两端的节点映射至词汇本中距其最近的关键词,直至所有连线和节点均被访问;
统计局部区域邻接子图中各关键词对出现的频率,形成融合空间邻接关系的关键词对直方图,即空间词袋。
进一步的,所述基于空间词袋和局部特征描述子对三维模型进行匹配与检索的方法为:
计算待检索模型的空间词袋表征与三维模型库中各个模型的空间词袋表征进行欧氏距离,并相比较,得到若干个候选模型,构成候选集;
基于局部特征描述子,采用基于总体最优匹配的方法对候选集中候选模型进行最优匹配。
本发明的第二目的是提供一种基于特征描述子的三维模型双层检索装置,该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
构建属性邻接标记图,并将属性邻接标记图分割成多个局部区域邻接子图;
提取每个局部区域邻接子图的局部特征描述子;
对局部特征描述子进行聚类,构建词汇本;
统计词汇本中各关键词对在模型库的每个三维模型中出现的频率,构建空间词袋;
基于空间词袋和局部特征描述子对三维模型进行双层匹配与检索。
与现有技术相比,本发明的有益效果是:
(1)本发明由属性邻接标记图、图谱理论以及空间词袋等进行表征三维模型的局部和整体信息,从而构建粒度上由细到粗的层次化特征描述子;然后依据这两个不同粒度的描述子,采用粗细结合的方法,分两层进行检索,克服了局部细节特征的描述能力不足,局部特征信息不突出的缺陷,更关注局部特征,解决了三维模型较大且复杂时检索精度较低的问题,可以提高检索精度;
(2)本发明在对模型进行区域分割及空间词袋表征的基础上进行检索,既注重模型的整体相似性,又注重模型在细节上的的局部的相似性,可更好地指导企业参考并重用已有模型,帮助对现有模型进行相似性比较。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是基于特征描述子的三维模型双层检索方法流程图;
图2是基于特征描述子的三维CAD模型双层检索方法流程图;
图3是三维模型匹配与检索流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中存在对局部细节特征的描述能力不足,局部特征信息不突出的不足,为了解决如上的技术问题,本申请提出了一种基于特征描述子的三维模型双层检索方法。
实施例1:
本申请的一种典型的实施方式中,如图1所示,提供了一种基于特征描述子的三维模型双层检索方法,该方法包括以下步骤:
步骤101:构建属性邻接标记图,并将属性邻接标记图分割成多个局部区域邻接子图;
步骤102:提取每个局部区域邻接子图的局部特征描述子;
步骤103:对局部特征描述子进行聚类,构建词汇本;
步骤104:统计词汇本中各关键词对在模型库的每个三维模型中出现的频率,构建空间词袋;
步骤105:基于空间词袋和局部特征描述子对三维模型进行匹配与检索。
本发明提供的基于特征描述子的三维模型双层检索方法,由属性邻接标记图、图谱理论以及空间词袋等进行表征三维模型的局部和整体信息,从而构建粒度上由细到粗的层次化特征描述子;然后依据这两个不同粒度的描述子,采用粗细结合的方法,分两层进行检索。
实施例2:
为了使本领域的技术人员更好的了解本发明,下面列举一个以三维CAD模型进行检索的具体实施例,如图2所示,本发明实施例提供了一种基于特征描述子的三维CAD模型双层检索方法,该方法包括以下步骤:
步骤201:构建属性邻接标记(AALG)图,并进行区域分割。
以B-Rep模型的产品模型数据交互标准(Standard for the Exchange of STEP)格式为输入源,构建AALG图。该AALG图的构建方法为:
(1)定义AALG图数据结构,包括邻接性、凹凸性等;
(2)遍历三维CAD模型的每个面,并提取三维CAD模型的每个面的所有属性,创建AALG图的对应节点;
(3)识别各个面之间的邻接关系,创建AALG图的边;
(4)基于AALG图的对应节点和AALG图的边构建该三维CAD模型属性邻接标记(AALG)图。
构建之后可以进行AALG图的分割,采用合并优化的方法,将一个AALG分割成多个局部区域。该合并优化的方法是指合理运用面及其邻接面的凹凸性的方法。
本实施例中,各个面的属性可以概括为集合:G=<V,E,TLv,CLv,Le,Fv,Fe>,分别代表:节点集合、连线集合、节点类型标记集合、节点凹凸性标记集、连线标记集、映射函数V→<TLv,CLv>和映射函数E→Le;节点集合表示模型中每个面都有唯一的节点与之对应;连线集合表示模型中相邻面的共有边都有唯一的连线与之对应,节点类型标记集合表示对应面的类型,如平面、圆柱面、球面、Bezier、旋转面等,节点凹凸性标记集表示面的凹凸性;连线标记集表示连线的凹凸性;映射函数V→<TLv,CLv>为每个节点分配一个标记对;映射函数E→Le为每条连线分配一个标记对。
步骤202:分割完成后可进行局部特征描述子的提取。
对三维CAD模型分割得到的局部区域,依据其属性以及图谱理论等方法,来将其对应的子图进行编码,构建向量化局部特征描述子。
本实施例中,编码是由节点数、连线数、节点的最大度、最小度、节点类型直方图、哈希字符串和谱向量这几个部分组成的,相当于七元组FV=<V,E,MAXD,MIND,H,N,SPEC>,长度固定。
对局部区域,可以构建一个局部特征描述子的七元组:FV=<V,E,MAXD,MIND,H,N,SPEC>,其中,V,E,MAXD,MIND,H,N,SPEC分别表示子图的节点数、连线数、节点的最大度、最小度、节点类型直方图、哈希字符串(与邻居节点的连接情况)、谱向量。
本实施例中,节点类型直方图描述的是对应局部区域面类型属性,统计子图中各类型节点出现的频次,可以给其定义一个固定的长度。哈希字符串是一个节点与其邻居节点的连接对的映射,其优点是得出的编码字符串长度一致。而谱向量描述的是对应局部区域的拓扑属性,通过计算拉普拉斯矩阵得到一个有向序列。每个局部区域得到的序列长度可能不同,本发明可采用“填补法”进行修改使得各局部区域的谱向量长度一致。
步骤203:词汇本构建。
所述词汇本的构建方法为:
将步骤二提取的局部特征描述子进行聚类,各聚类中心可看作是一个“关键词”,聚类中心集合即为构建的词汇本。
采用步骤二的方法得到一个零散的局部特征描述子集合,为了构建具有有限词汇量的词汇本,需要对其进行聚类。
本发明可采用K-means算法进行聚类,以描述子间的欧氏距离为相似性度量。将步骤二提取的局部特征描述子进行聚类的方法为:
(1)随机选择k个局部特征描述子作为初始关键字;
(2)计算其他描述子到各关键词之间的欧氏距离,将描述子分配到最近的关键词所在类簇;
(3)使用均值重新计算第t次迭代的关键词(即新的聚类中心);
(4)根据欧氏距离的最大值和最小值比较,得出最终迭代结果。
这个迭代结果就是词汇本,词汇本中有k个关键词,是对三维CAD模型各类典型局部区域的近似性表述。
步骤204:三维CAD模型的空间词袋模型表征。
所述三维CAD模型的空间词袋模型表征方法为:
(1)根据前三个步骤将模型库中每个三维CAD模型进行区域分割和局部特征描述子提取;
(2)构建局部区域邻接子图,即将分割后的局部区域看作一个个完整的节点,然后在这些节点之间建立相关关系并连边;
(3)遍历局部区域邻接子图的每个节点,将每条连线两端的节点映射至词汇本中距其最近的关键词,直至所有连线和节点均被访问;
(4)统计局部区域邻接子图中各“关键词对”出现的频率,形成融合空间邻接关系的“关键词对”直方图,即空间词袋。
本发明将模型库中每个三维CAD模型按步骤201和步骤202的方法进行区域分割和局部特征描述子的提取,将其映射至词汇本,统计三维CAD模型中各“关键词对”出现的频率,形成融合空间邻接关系的“关键词对”直方图,即空间词袋。这样可以增强词袋模式的模型区别能力,形成三维CAD模型从局部到整体的层次化特征描述子。
在步骤204中,需要构建一个k*k阶的矩阵作为空间词袋的表征方式,初始元素值全为零,对应的元素值(u,v)用来统计对应的关键词对<Wu,Wv>在局部区域邻接子图中出现的次数。
步骤205:三维CAD模型匹配与检索。
如图3所示,所述三维CAD模型匹配与检索的方法为:
(1)粗检索,基于顶层空间词袋描述子进行粗粒度层次上的快速比较,产生n个候选模型,构成候选集。
具体地,设在CAD模型库中,检索与模型M相似的前n个模型。那么基于顶层空间词袋描述子进行粗粒度层次上的快速比较,即将模型库进行本实施例的前四个步骤,分别得到待检索模型M以及模型库中各个模型的空间词袋表征(n+1个k阶矩阵),将M的空间词袋表征与模型库的各个空间词袋表征采用欧氏距离计算方法进行计算,由此得出n个候选模型,构成候选集。
(2)精检索,对于n个候选模型,基于底层局部特征描述子进行细粒度上的精细化匹配验证。
具体地,对于n个候选模型,基于底层局部特征描述子进行细粒度上的精细化匹配验证。将CAD模型的每个局部区域看作一个节点、特征描述子看作节点的属性,从而待检索模型M和模型库中的模型之间的精细化匹配可以看作两组节点组成的完全二分图的最优匹配过程,采用基于总体最优匹配的方法进行匹配。
本发明实施例提供了一种基于特征描述子的三维CAD模型双层检索方法,在对模型进行区域分割及空间词袋表征的基础上进行检索的,既注重模型的整体相似性,又注重模型在细节上的的局部的相似性,可更好地指导企业参考并重用已有模型,帮助对现有模型进行相似性比较。
本发明依据模型的B-Rep表示形式,提取其必要的几何拓扑属性等信息,将三维CAD模型用属性邻接图表示;将模型训练集合中的各模型分割成面面互连且具有一定意义的局部区域,依据属性、图谱理论等算法对其进行局部特征描述,在此基础上,对提取的特征通过聚类构建词汇本;基于局部区域图谱及空间词袋表征构建CAD模型由细粒度到粗粒度的层次化特征描述子,并据此采取粗检索与精检索相结合的两层检索机制进行三维CAD模型检索。
由于本发明是基于三维模型的局部细节特征进行局部区域分割,并在此基础上进行匹配的,所以更注重三维模型的局部特征。而现有技术,如基于形状分布的三维模型检索方法等一般注重表达模型的整体形状,当模型较大且复杂时,其局部细节特征的描述能力不足,局部特征信息不突出。所以本发明克服了大多现有技术的忽略局部信息的问题,更关注局部特征,解决了三维模型较大且复杂时检索精度较低的问题,可以提高检索精度。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种基于特征描述子的三维模型双层检索方法,其特征是,包括以下步骤:
步骤一:构建属性邻接标记图,并将属性邻接标记图分割成多个局部区域邻接子图;
步骤二:提取每个局部区域邻接子图的局部特征描述子;
步骤三:对局部特征描述子进行聚类,构建词汇本;
步骤四:统计词汇本中各关键词对在模型库的每个三维模型中出现的频率,构建空间词袋;
步骤五:基于空间词袋和局部特征描述子对三维模型进行双层匹配与检索。
2.根据权利要求1所述的基于特征描述子的三维模型双层检索方法,其特征是,所述属性邻接标记图的构建方法为:
定义属性邻接标记图的数据结构,包括邻接性和凹凸性;
遍历三维模型的每个面并提取每个面的所有属性,创建属性邻接标记图的对应节点;
识别三维模型的每个面之间的邻接关系,创建属性邻接标记图的边;
基于属性邻接标记图的对应节点和属性邻接标记图的边,构建单个三维模型的属性邻接标记图。
3.根据权利要求1所述的基于特征描述子的三维模型双层检索方法,其特征是,所述步骤1中,采用合并优化的方法将属性邻接标记图分割成由多个局部区域邻接子图。
4.根据权利要求1所述的基于特征描述子的三维模型双层检索方法,其特征是,所述局部特征描述子的提取方法为:
根据局部区域邻接子图的各属性以及图谱理论,将局部区域邻接子图进行编码,构建一个局部特征描述子的七元组,包括局部区域子图的节点数、连线数、节点的最大度、最小度、节点类型直方图、哈希字符串和谱向量。
5.根据权利要求4所述的基于特征描述子的三维模型双层检索方法,其特征是,所述节点类型直方图是对应局部区域面类型属性,统计局部区域邻接子图中各类型节点出现的频次;
所述哈希字符串是一个节点与其邻居节点的连线对的映射;
所述谱向量是对应局部区域的拓扑属性,通过计算拉普拉斯矩阵得到一个有向序列谱向量的长度;采用填补法进行修改使得各局部区域的谱向量长度一致。
6.根据权利要求1所述的基于特征描述子的三维模型双层检索方法,其特征是,所述词汇本的构建方法为:
随机选择k个局部特征描述子作为初始关键字;
计算其他局部特征描述子到各关键词之间的欧氏距离,将局部特征描述子分配到最近的关键词所在类簇;
使用均值重新计算第t次迭代的关键词,即新的聚类中心;
比较欧氏距离的最大值和最小值,得出各聚类中心的关键词;
将各聚类中心的关键词进行集合得到词汇本。
7.根据权利要求1所述的基于特征描述子的三维模型双层检索方法,其特征是,所述空间词袋的构建方法为:
按照步骤一和步骤二的方法将模型库中每个三维模型进行区域分割和提取局部特征描述子;
将分割后的局部区域看作一个个完整的节点,然后在这些节点之间建立相关关系并连边,得到局部区域邻接子图;
遍历局部区域邻接子图的每个节点,将每条连线两端的节点映射至词汇本中距其最近的关键词,直至所有连线和节点均被访问;
统计局部区域邻接子图中各关键词对出现的频率,形成融合空间邻接关系的关键词对直方图,即空间词袋。
8.根据权利要求1所述的基于特征描述子的三维模型双层检索方法,其特征是,所述基于空间词袋和局部特征描述子对三维模型进行匹配与检索的方法为:
计算待检索模型的空间词袋表征与三维模型库中各个模型的空间词袋表征进行欧氏距离,并相比较,得到若干个候选模型,构成候选集;
基于局部特征描述子,采用基于总体最优匹配的方法对候选集中候选模型进行最优匹配。
9.一种基于特征描述子的三维模型双层检索装置,其特征是,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
构建属性邻接标记图,并将属性邻接标记图分割成多个局部区域邻接子图;
提取每个局部区域邻接子图的局部特征描述子;
对局部特征描述子进行聚类,构建词汇本;
统计词汇本中各关键词对在模型库的每个三维模型中出现的频率,构建空间词袋;
基于空间词袋和局部特征描述子对三维模型进行双层匹配与检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810758410.0A CN109165313A (zh) | 2018-07-11 | 2018-07-11 | 一种基于特征描述子的三维模型双层检索方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810758410.0A CN109165313A (zh) | 2018-07-11 | 2018-07-11 | 一种基于特征描述子的三维模型双层检索方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165313A true CN109165313A (zh) | 2019-01-08 |
Family
ID=64897657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810758410.0A Pending CN109165313A (zh) | 2018-07-11 | 2018-07-11 | 一种基于特征描述子的三维模型双层检索方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165313A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125830A (zh) * | 2019-12-11 | 2020-05-08 | 中国航空综合技术研究所 | 基于模型定义的长周期数据存储检验方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944239A (zh) * | 2009-07-08 | 2011-01-12 | 富士通株式会社 | 三维模型分割方法、装置以及包含该装置的图像处理系统 |
CN104751463A (zh) * | 2015-03-31 | 2015-07-01 | 梁爽 | 一种基于草图轮廓特征的三维模型最佳视角选取方法 |
US20160203209A1 (en) * | 2015-01-12 | 2016-07-14 | Xerox Corporation | Joint approach to feature and document labeling |
-
2018
- 2018-07-11 CN CN201810758410.0A patent/CN109165313A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944239A (zh) * | 2009-07-08 | 2011-01-12 | 富士通株式会社 | 三维模型分割方法、装置以及包含该装置的图像处理系统 |
US20160203209A1 (en) * | 2015-01-12 | 2016-07-14 | Xerox Corporation | Joint approach to feature and document labeling |
CN104751463A (zh) * | 2015-03-31 | 2015-07-01 | 梁爽 | 一种基于草图轮廓特征的三维模型最佳视角选取方法 |
Non-Patent Citations (1)
Title |
---|
皇甫中民 等: "基于层次特征描述子的三维CAD模型检索", 《计算机集成制造系统》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125830A (zh) * | 2019-12-11 | 2020-05-08 | 中国航空综合技术研究所 | 基于模型定义的长周期数据存储检验方法 |
CN111125830B (zh) * | 2019-12-11 | 2021-08-20 | 中国航空综合技术研究所 | 基于模型定义的长周期数据存储检验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fast large-scale trajectory clustering | |
CN104199827B (zh) | 基于局部敏感哈希的大规模多媒体数据的高维索引方法 | |
WO2021109464A1 (zh) | 一种面向大规模用户的个性化教学资源推荐方法 | |
CN107784598A (zh) | 一种网络社区发现方法 | |
CN107180045A (zh) | 一种互联网文本蕴含地理实体关系的抽取方法 | |
CN106095920B (zh) | 面向大规模高维空间数据的分布式索引方法 | |
Tam et al. | Deformable model retrieval based on topological and geometric signatures | |
Cruz et al. | Community detection and visualization in social networks: Integrating structural and semantic information | |
CN106095951B (zh) | 基于负载均衡和查询日志的数据空间多维索引方法 | |
CN107291895B (zh) | 一种快速的层次化文档查询方法 | |
CN110059264A (zh) | 基于知识图谱的地点检索方法、设备及计算机存储介质 | |
CN108052683B (zh) | 一种基于余弦度量规则的知识图谱表示学习方法 | |
CN111078916A (zh) | 一种基于多层次特征对齐网络的跨域三维模型检索方法 | |
CN104268580B (zh) | 一种基于场景分类的类漫画布局图像管理方法 | |
CN113761221A (zh) | 基于图神经网络的知识图谱实体对齐方法 | |
CN103761286B (zh) | 一种基于用户兴趣的服务资源检索方法 | |
CN111813778A (zh) | 一种面向大规模路网数据的近似关键字存储和查询方法 | |
Ma et al. | Matching descriptions to spatial entities using a siamese hierarchical attention network | |
CN110389932A (zh) | 电力文件自动分类方法及装置 | |
CN109165313A (zh) | 一种基于特征描述子的三维模型双层检索方法和装置 | |
CN106815320B (zh) | 基于拓展三维直方图的调研大数据可视化建模方法及系统 | |
CN103365960A (zh) | 电力多级调度管理结构化数据的离线搜索方法 | |
Lu et al. | Curve Complexity Heuristic KD‐trees for Neighborhood‐based Exploration of 3D Curves | |
CN107194994A (zh) | 一种无标定曲面点云数据重建圆柱面的方法及装置 | |
Bakalov et al. | A network model for the utility domain |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |