CN109472319B - 一种三维模型分类方法以及检索方法 - Google Patents
一种三维模型分类方法以及检索方法 Download PDFInfo
- Publication number
- CN109472319B CN109472319B CN201811448722.8A CN201811448722A CN109472319B CN 109472319 B CN109472319 B CN 109472319B CN 201811448722 A CN201811448722 A CN 201811448722A CN 109472319 B CN109472319 B CN 109472319B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- dimensional model
- dimensional
- layer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 230000000007 visual effect Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 5
- 230000036544 posture Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种三维模型分类方法以及检索方法，分类方法包括建立神经网络模型；生成训练数据集；将所述训练数据集输入到神经网络模型中；将待测三维模型输入到神经网络模型中，神经网络模型输出分类结果；检索方法进一步包括计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离；最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。发明中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类和检索的准确度。
Description
技术领域
本发明涉及三维模型分类检索技术领域。
背景技术
随着多媒体技术以及计算机软硬件的快速发展，海量的三维模型被广泛地应用在工业设计、智能生产等众多领域，因此解决三维模型的分类与检索技术上的难题，实现对海量三维模型的有效管理，是各个领域迫切的需求。对三维模型进行有效的分类管理可以提高设计生产效率，提高原有模型的复用率，降低时间以及人工成本。
近年来，人工智能无论在理论还是应用上面，都取得了快速发展，特别是引入了深度学习的理论方法，解决了人工智能上许多难以实现的问题，同时实现了把人工智能推广应用到各个领域中去。在三维模型分类与检索的研究领域中，提高算法准确率、适用性以及智能化，是目前重要的研究发展方向。
在三维模型分类与检索技术中，需要解决三维模型的特征提取、分类以及检索的研究难题，其研究目的是快速地在数据集中找出模型，并对海量的模型就行有效的分类管理。三维模型一般可以分为刚体三维模型和非刚体三维模型，刚体三维模型是特殊的质点模型，本身不会发生姿势上的变化，并且在非损坏性外力作用下，模型任意两点间的距离不会发生变化，而非刚体三维模型能够围绕关节点产生不同的姿势等任意的等距等容变形。目前关于三维模型分类与检索研究工作中大多数针对刚体模型，其算法难以适用于姿态易变的非刚体模型，主要原因在于：(1)非刚体三维模型能产生多种不规则的姿势，模型差异大，导致分类与检索难度大；(2)尺度大小的不一致导致分类与检索难度加大；(3)两个三维模型在某种姿势下可能会出现十分相似的情况，导致了分类与检索的准确率下降。
发明内容
本发明要解决的技术问题是：提供一种准确度高的三维模型分类以及检索方法。
本发明解决其技术问题的解决方案是：
一种三维模型分类方法，包括以下步骤：
步骤1，建立神经网络模型；
步骤2，利用模板三维模型数据集，生成训练数据集；
步骤3，将所述训练数据集输入到神经网络模型中，完成神经网络模型的训练；
步骤4，将待测三维模型输入到神经网络模型中，神经网络模型输出所述待测三维模型的分类结果；
步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块，视图池化层以及全连接层，所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体，所述结构体包括依次相连的批标准化层、激活函数层以及卷积层，第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，所述第一卷积神经网络模块设有若干个，若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连，所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连，第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。
作为上述技术方案的进一步改进，所述步骤2具体包括以下步骤：
步骤2.1，通过投影转换将模板三维模型转换成二维的模板视觉视图；
步骤2.2，对所述模板视觉视图进行均值滤波处理；
步骤2.3，根据模板三维模型，赋予所对应的模板视觉视图一个标签，一个模板视觉视图及其对应的标签即为一个训练数据。
作为上述技术方案的进一步改进，所述步骤2.1中，所述模板视觉视图包括红外光图像以及自然光图像，所述神经网络模型第一卷积神经网络模块设有两个。
作为上述技术方案的进一步改进，所述步骤3具体包括以下步骤：
步骤3.1，随机初始化所述神经网络模型；
步骤3.2，将训练数据分批输入到神经网络模型中进行训练；
步骤3.3，令训练数据依次经过神经网络模型的各层处理，提取训练数据的特征，所述训练数据的特征作为模板三维模型的模型描述符，与所设置的标签进行对比；
步骤3.4，根据对比所得到的结果，修正神经网络模型各层的参数。
作为上述技术方案的进一步改进，所述步骤4具体包括以下步骤：
步骤4.1，将通过投影转换将待测三维模型转换成二维的待测视觉视图；
步骤4.2，对所述待测视觉视图进行均值滤波处理；
步骤4.3，将待测视觉视图输入到神经网络模型中，所述神经网络模型输出待测视觉视图的特征，所述待测视觉视图的特征作为待测三维模型的模型描述符，所述模型描述符即可作为待测三维模型的分类结果。
作为上述技术方案的进一步改进，所述神经网络模型中所述第一卷积神经网络模块中的结构体设置有5个，所述第二卷积神经网络模块的结构体设置有3个。
本发明的有益效果是：本发明通过多个模板三维模型完成神经网络模型的训练操作，再利用神经网络模型对待测三维模型进行分类操作，其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类准确度。
本发明同时还公开了一种三维模型检索方法，包括上述所述的三维模型分类方法的所有步骤，在步骤4之后还包括：
步骤5，分别计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离；
步骤6，比较得到的多个欧氏距离的大小，最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。
本发明的有益效果是：本发明通过多个模板三维模型完成神经网络模型的训练操作，再利用神经网络模型对待测三维模型进行分类操作，其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类准确度，之后再根据待测三维模型与模板三维模型的欧氏距离大小以识别待测三维模型的检索结果，提高检索的准确性。
附图说明
为了更清楚地说明本发明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说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员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设计方案和附图。
图1是本发明的神经网络模型结构示意图；
图2是本发明的分类方法流程图；
图3是本发明的检索方法流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
参照图1和图2，本发明创造公开了一种三维模型分类方法，包括以下步骤：
步骤1，建立神经网络模型；
步骤2，利用模板三维模型数据集，生成训练数据集；
步骤3，将所述训练数据集输入到神经网络模型中，完成神经网络模型的训练；
步骤4，将待测三维模型输入到神经网络模型中，神经网络模型输出所述待测三维模型的分类结果；
步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块，视图池化层以及全连接层，所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体，所述结构体包括依次相连的批标准化层、激活函数层以及卷积层，第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，所述第一卷积神经网络模块设有若干个，若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连，所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连，第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。其中第一卷积神经网络模块用于单独提取视图的特征，视图池化层用于进行多维度的特征融合。
批标准化层是对训练数据随机批量处理的一种归一化层，批标准化层首先是将训练数据归一化到均值为0，方差为1的随机分布空间内，其目的一是使训练数据与测试数据以及各批训练数据的分布大致相同，减少参数的变化次数；二是对于激活函数的输入，数据分布在零附近，可以防止梯度弥散。本发明创造具体实施方式中，批标准化层的数学模型如下所示：
其中x(k)表示一批训练数据，E[x(k)]表示一批训练数据的均值，Var[x(k)]表示一批训练数据的方差。
本发明具体实施方式中，所述激活函数层中激活函数的表达式如下所示：
本发明具体实施方式中，所述卷积层数学模型表达式如下所示：
其中I表示一个二维图像，K表示二维的核函数，i和j分别表示二维图像的行和列，m和n分别表示二维图像行和列的步长。
针对卷积神经网络模型的全连接层，经过卷积层和视图池化层后，连接着1个或1个以上的全连接层，全连接层中的每个神经元与其前一层的所有神经元进行全连接，全连接层可以整合卷积层或者视图池化层中具有类别区分性的局部信息，为了提升卷积神经网络性能，全连接层每个神经元的激励函数一般采用ReLU函数。最后一层全连接层的输出值被传递给一个输出，可以采用softmax逻辑回归进行分类，该层也可称为softmax层，本发明创造中softmax表达式如下所示：
Sj表示softmax表达式的输出向量S的第j个值，Sj表示一个样本属于第j个类别的概率，T表示类别数。对于一个具体的分类任务，选择一个合适的损失函数是十分重要的，本发明具体实施方式中，该损失函数表达式如下所示：L＝-log Sj，其中L表示损失值，神经网络模型训练过程中将得到的损失值L反馈到神经网络模型的各层上，已修改神经网络模型的各层参数。
具体地，本发明通过多个模板三维模型完成神经网络模型的训练操作，再利用神经网络模型对待测三维模型进行分类操作，其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类准确度。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2具体包括以下步骤：
步骤2.1，通过投影转换将模板三维模型转换成二维的模板视觉视图；
步骤2.2，对所述模板视觉视图进行均值滤波处理；
步骤2.3，根据模板三维模型，赋予所对应的模板视觉视图一个标签，一个模板视觉视图及其对应的标签即为一个训练数据。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2.1中，所述模板视觉视图包括红外光图像以及自然光图像，所述神经网络模型第一卷积神经网络模块设有两个。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤3具体包括以下步骤：
步骤3.1，随机初始化所述神经网络模型；
步骤3.2，将训练数据分批输入到神经网络模型中进行训练；
步骤3.3，令训练数据依次经过神经网络模型的各层处理，提取训练数据的特征，所述训练数据的特征作为模板三维模型的模型描述符，与所设置的标签进行对比；
步骤3.4，根据对比所得到的结果，修正神经网络模型各层的参数。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤4具体包括以下步骤：
步骤4.1，将通过投影转换将待测三维模型转换成二维的待测视觉视图；
步骤4.2，对所述待测视觉视图进行均值滤波处理；
步骤4.3，将待测视觉视图输入到神经网络模型中，所述神经网络模型输出待测视觉视图的特征，所述待测视觉视图的特征作为待测三维模型的模型描述符，所述模型描述符即可作为待测三维模型的分类结果。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述神经网络模型中所述第一卷积神经网络模块中的结构体设置有5个，所述第二卷积神经网络模块的结构体设置有3个。经多次实验，发现若第一卷积神经网络模块中的结构体的数量以及第二卷积神经网络模块的结构体的数量设置过多时，容易产生过拟合，过少时容易产生欠拟合，两种情况均会导致神经网络模型分类的准确率降低。
参照图1和图3，本申请同时还公开了一种三维模型检索方法，包括上述所述的三维模型分类方法的所有步骤，在步骤4之后还包括：
步骤5，分别计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离；
步骤6，比较得到的多个欧氏距离的大小，最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。
所述三维模型检索方法在三维模型分类方法上进行改进，简单的说分类方法相当于识别某个样本是属于哪个大类，而检索方法相当于识别某个样本是属于该大类中的具体哪个小类。
具体地，本发明通过多个模板三维模型完成神经网络模型的训练操作，再利用神经网络模型对待测三维模型进行分类操作，其中神经网络模型中的第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，增加了每一个结构体的输入，能够有效地提高神经网络模型处理数据的准确性，进而提高本方法的待测三维模型的分类准确度，之后再根据待测三维模型与模板三维模型的欧氏距离大小以识别待测三维模型的检索结果，提高检索的准确性。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造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作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种三维模型分类方法，其特征在于，包括以下步骤：
步骤1，建立神经网络模型；
步骤2，利用模板三维模型数据集，生成训练数据集；
步骤3，将所述训练数据集输入到神经网络模型中，完成神经网络模型的训练；
步骤4，将待测三维模型输入到神经网络模型中，神经网络模型输出所述待测三维模型的分类结果；
步骤1中所述神经网络模型包括第一卷积神经网络模块、第二卷积神经网络模块，视图池化层以及全连接层，所述第一卷积神经网络模块以及第二卷积神经网络模块分别包括依次设置的3个或3个以上结构体，所述结构体包括依次相连的批标准化层、激活函数层以及卷积层，第N个结构体的卷积层输出端分别与第N+1个结构体的批标准化层输入端以及第N+2个结构体的批标准化层输入端相连，所述第一卷积神经网络模块设有若干个，若干个所述第一卷积神经网络模块中最后一个结构体的卷积层输出端分别与视图池化层输入端相连，所述视图池化层输出端与第二卷积神经网络模块的第一个结构体中批标准化层的输入端相连，第二卷积神经网络模块最后一个结构体的卷积层输出端与全连接层输入端相连。
2.根据权利要求1所述的一种三维模型分类方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2.1，通过投影转换将模板三维模型转换成二维的模板视觉视图；
步骤2.2，对所述模板视觉视图进行均值滤波处理；
步骤2.3，根据模板三维模型，赋予所对应的模板视觉视图一个标签，一个模板视觉视图及其对应的标签组成一个训练数据。
3.根据权利要求2所述的一种三维模型分类方法，其特征在于：所述步骤2.1中，所述模板视觉视图包括红外光图像以及自然光图像，所述神经网络模型第一卷积神经网络模块设有两个。
4.根据权利要求3所述的一种三维模型分类方法，其特征在于：所述步骤3具体包括以下步骤：
步骤3.1，随机初始化所述神经网络模型；
步骤3.2，将训练数据分批输入到神经网络模型中进行训练；
步骤3.3，令训练数据依次经过神经网络模型的各层处理，提取训练数据的特征，所述训练数据的特征作为模板三维模型的模型描述符，与所设置的标签进行对比；
步骤3.4，根据对比所得到的结果，修正神经网络模型各层的参数。
5.根据权利要求4所述的一种三维模型分类方法，其特征在于：所述步骤4具体包括以下步骤：
步骤4.1，将通过投影转换将待测三维模型转换成二维的待测视觉视图；
步骤4.2，对所述待测视觉视图进行均值滤波处理；
步骤4.3，将待测视觉视图输入到神经网络模型中，所述神经网络模型输出待测视觉视图的特征，所述待测视觉视图的特征作为待测三维模型的模型描述符，所述模型描述符即可作为待测三维模型的分类结果。
6.根据权利要求1所述的一种三维模型分类方法，其特征在于：所述神经网络模型中所述第一卷积神经网络模块中的结构体设置有5个，所述第二卷积神经网络模块的结构体设置有3个。
7.一种三维模型检索方法，其特征在于，包括如权利要求1至5任一项所述的三维模型分类方法，在步骤4中之后还包括：
步骤5.分别计算待测三维模型的模型描述符与各个模板三维模型的模型描述符之间的欧氏距离；
步骤6.比较得到的多个欧氏距离的大小，最小的欧氏距离所对应的模板三维模型即为待测三维模型的检索结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811448722.8A CN109472319B (zh) | 2018-11-28 | 2018-11-28 | 一种三维模型分类方法以及检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811448722.8A CN109472319B (zh) | 2018-11-28 | 2018-11-28 | 一种三维模型分类方法以及检索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109472319A CN109472319A (zh) | 2019-03-15 |
| CN109472319B true CN109472319B (zh) | 2021-08-31 |
Family
ID=65673407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811448722.8A Active CN109472319B (zh) | 2018-11-28 | 2018-11-28 | 一种三维模型分类方法以及检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109472319B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110704653A (zh) * | 2019-09-09 | 2020-01-17 | 上海慧之建建设顾问有限公司 | 一种bim模型中以图搜索构件的方法及图文搜索系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243139A (zh) * | 2015-10-10 | 2016-01-13 | 天津大学 | 一种基于深度学习的三维模型检索方法及其检索装置 |
| CN108427729A (zh) * | 2018-02-23 | 2018-08-21 | 浙江工业大学 | 一种基于深度残差网络与哈希编码的大规模图片检索方法 |
| CN108470320A (zh) * | 2018-02-24 | 2018-08-31 | 中山大学 | 一种基于cnn的图像风格化方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2093714A1 (en) * | 2006-11-10 | 2009-08-26 | National University Corporation Toyohashi Universisty of Technology | Three-dimensional model search method, computer program, and three-dimensional model search system |
| US11010593B2 (en) * | 2013-12-15 | 2021-05-18 | 7893159 Canada Inc. | Method and system for comparing 3D models |
-
2018
- 2018-11-28 CN CN201811448722.8A patent/CN109472319B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243139A (zh) * | 2015-10-10 | 2016-01-13 | 天津大学 | 一种基于深度学习的三维模型检索方法及其检索装置 |
| CN108427729A (zh) * | 2018-02-23 | 2018-08-21 | 浙江工业大学 | 一种基于深度残差网络与哈希编码的大规模图片检索方法 |
| CN108470320A (zh) * | 2018-02-24 | 2018-08-31 | 中山大学 | 一种基于cnn的图像风格化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "基于二维压缩感知和分层特征的图像检索算法";周燕 等;《电子学报》;20160229;第44卷(第2期);第453-460页 * |
| "基于多特征融合的三维模型检索算法";周燕 等;《计算机科学》;20160731;第43卷(第7期);第303-309页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109472319A (zh) | 2019-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | 2-D stochastic configuration networks for image data analytics | |
| CN109190665B (zh) | 一种基于半监督生成对抗网络的通用图像分类方法和装置 | |
| CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
| Kang | Rotation-invariant wafer map pattern classification with convolutional neural networks | |
| US11562212B2 (en) | Performing XNOR equivalent operations by adjusting column thresholds of a compute-in-memory array | |
| WO2023019698A1 (zh) | 基于富上下文网络的高光谱图像分类方法 | |
| CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
| Rabbani et al. | Hand drawn optical circuit recognition | |
| Buvana et al. | Content-based image retrieval based on hybrid feature extraction and feature selection technique pigeon inspired based optimization | |
| Giraddi et al. | Flower classification using deep learning models | |
| Singh et al. | Leaf identification using feature extraction and neural network | |
| Sen et al. | Face recognition using deep convolutional network and one-shot learning | |
| CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
| CN113516019B (zh) | 高光谱图像解混方法、装置及电子设备 | |
| US20240185582A1 (en) | Annotation-efficient image anomaly detection | |
| CN109472319B (zh) | 一种三维模型分类方法以及检索方法 | |
| You et al. | Robust structure low-rank representation in latent space | |
| CN112434145A (zh) | 一种基于图像识别和自然语言处理的看图作诗方法 | |
| Sang et al. | Image recognition based on multiscale pooling deep convolution neural networks | |
| US20230108248A1 (en) | Model compression via quantized sparse principal component analysis | |
| CN115471833A (zh) | 一种动态局部自注意力卷积网络点云分析系统及方法 | |
| Karmakar et al. | Multilevel Random Forest algorithm in image recognition for various scientific applications | |
| Liang et al. | Facial feature extraction method based on shallow and deep fusion CNN | |
| Anggoro et al. | Classification of Solo Batik patterns using deep learning convolutional neural networks algorithm | |
| Bajpai et al. | Real Time Face Recognition with limited training data: Feature Transfer Learning integrating CNN and Sparse Approximation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 528000 Foshan Institute of science and technology, Xianxi reservoir West Road, Shishan town, Nanhai District, Foshan City, Guangdong Province Patentee after: FOSHAN University Country or region after: China Patentee after: Guangdong Yijiaotong Technology Co.,Ltd. Address before: 528000 Foshan Institute of science and technology, Xianxi reservoir West Road, Shishan town, Nanhai District, Foshan City, Guangdong Province Patentee before: FOSHAN University Country or region before: China Patentee before: GUANGDONG ETONEDU CO.,LTD. |