CN110096818A - 一种软组织监督变形算法 - Google Patents
一种软组织监督变形算法 Download PDFInfo
- Publication number
- CN110096818A CN110096818A CN201910373465.4A CN201910373465A CN110096818A CN 110096818 A CN110096818 A CN 110096818A CN 201910373465 A CN201910373465 A CN 201910373465A CN 110096818 A CN110096818 A CN 110096818A
- Authority
- CN
- China
- Prior art keywords
- particle
- length
- indicate
- spring
- vertex
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种软组织监督变形算法,包括步骤第一次数据搜索并复制、局部细化网格、第二次数据搜索并修正、网格变形。本发明中的求解状态方程步骤与机器学习相结合,通过构造目标函数,得到最优参数,以带入目标函数的形式代替循环求解,大大减少了计算量,本发明使用的最小二乘法以及梯度下降算法,得到最小化的损失函数和模型参数值,提高了精确度。
Description
技术领域
本发明涉及一种软组织监督变形算法,具体涉及与机器学习相结合的软组织变形算法。
背景技术
近年来,随着虚拟现实技术的不断发展,通过虚拟现实平台模拟手术训练得到可能。虚拟手术给予医护人员极大的便利,他们可以使用该技术进行反复的模拟练习,提升自己的技术。目前的虚拟手术通过建模、渲染、计算将模拟手术的过程呈现在平台上。软组织的变形模型分为运动模型与物理模型两大类,其中物理模型从物体的受力情况出发,通过调整质点的位置使系统达到平衡,并得到该状态下的最终变性结果,更真实地反映了软组织受力后的形变情况,但仿真速度较慢。物理模型又包括弹簧质点模型、有限元模型、无限元模型等,其中弹簧质点模型适用于对时间要求严格而对精度要求不高的场合,有限元模型适用于对计算精度要求严格而对时间要求不高的场合。然而,目前的弹簧质点模型计算速度与精度均不大理想,阻碍了平台模拟手术训练的发展。
发明内容
发明目的:本发明的目的是为了解决以上问题,本发明提出一种软组织监督变形算法,该方法通过将软组织变形算法与机器学习相结合,通过构造目标函数的形式大大减少了计算量,且在数据搜索后细化网格,提高精度。
技术方案:为了实现以上目的,本发明所述的一种软组织监督变形算法,包括步骤:
第一步:第一次数据检索并复制,采用广度优先搜索算法采集软组织的数据信息,并基于弹簧质点模型建立软组织的物理模型;
第二步:局部细化网格,采用全局最长边平分法对物理模型进行网格细化,找出网格数据中的所有边,判断每条边是否满足平分条件,将所有需要被平分的边加入集合S,对S中的边按照长度的大小进行排序,依次取出S中最长的边并在其中点处插入新的节点,同时按照插入点剖分相应的三角面片,循环计算直到S为空,每次剖分结束后均需要判断新生成的边是否满足剖分条件,若满足则按照长度大小插入S中,保持S有序;需要剖分的边满足条件为:
其中,qij为连接知的边的长度,f函数为网格节点密度需要满足的条件,为质点i的空间坐标,为质点j的空间坐标;
第三步:第二次数据搜索并修正,对细化后的网格进行第二次搜索,将细化后位于物理模型外部的网格数据剔除;
第四步:网格变形,依据步骤三所述的物理模型,对其中的各个质点进行初始化,构建模型的初始状态,该模型中每个质点与相连质点Ni和Nj间的内力为:
其中,是质点Ni与质点Nj之间的内力,Kij是连接质点Ni和质点Nj的弹簧的弹性系数,是弹簧当前长度减弹簧不受力时的静止长度,其中lij表示弹簧当前长度,表示连接质点Ni和质点Nj的弹簧不受力时的静止长度,是从质点Ni指向质点Nj的单位向量;
其中,l′ij为调整后的弹簧长度,参数b用来调控Kij随弹簧长度变化而变化的速度,lij为弹簧当前长度,lmin为网格中长度最小的边,lmax为弹簧中长度最大的边,E为弹簧的弹性模量,参数d用来避免长度接近lmin的边的弹性系数过大;
包含n个质点的弹簧质点模型在任意时刻t包含n个偏微分方程,每个方程描述一个质点的运动状态:
其中,mi是质点Ni的质量,是质点Ni的加速度矢量,ci是质点Ni的阻尼系数,是质点Ni的速度矢量,σ(i)代表系统中所有与Ni邻接的质点的符号,是质点Ni的空间坐标,是质点Nj的空间坐标,是该质点Ni受到的重力,是重力加速度矢量,是作用在Ni上的所有外力的矢量和;
弹簧质点模型采用准静态仿真方法计算,
其中,与分别表示质点Ni与质点Nj的位置坐标;
设S为所有非控制点的符号集合,δ为常数时间间隔,在每个时刻t=kδ,k=1,2,...,通过准静态方程求得所有非控制点的位置信息,在时间间隔δ内,重复下述步骤(1)、(2),实现网格变形:
获得所有控制点的数据信息,对每个i∈S,有:
其中,为每个节点上的残余力,为新得到的质点位置坐标,为当前质点位置坐标,α为缩放因子,记录时间间隔δ中的每个质点的初始位置、最终位置、内力
步骤4.1:建立目标函数
使用前述数据进行监督学习,有:
其中,hθ(η)表示前述准静态方程求解得到的质点的最终位置,η表示自变量θ0,θ1,θ2为三个待定的参数,表示质点的初始位置,表示内力表示重力
步骤4.2:最小二乘法
最小化的损失函数为:
其中,minθJ(θ)表示最小化的损失函数,θ表示系数θ0,θ1,θ2向量化构成的向量,η(i)与y(i)分别表示第i个样本中的变量与质点的最终位置;
步骤4.3:梯度下降算法
上述步骤4.2的第I个梯度分量为:
其中,表示对系数构成的向量θ中的第I个分量求偏导数,ηI表示变量矩阵中的第I个分量;
Batch梯度下降算法伪代码:
循环变量i从0到n:
其中,θi表示第i个θ,即θ0,θ1与θ2,n为特征数(变量个数),β为步长;
设置全局的表示是否学习的布尔变量,得到目标函数的最优参数后,将该布尔变量标记为true,此后,每次受力时,如果已经学习,则直接通过目标函数得到质点受力的最终位置;如果尚未学习,则通过准静态方法求解得到质点的最终位置完成变形;
所述步骤4.1的方程可写作:
其中,θ表示系数θ0,θ1,θ2向量化构成的向量,表示变量向量化构成的向量,T表示转置;
所述图的广度优先搜索算法具体为:以图中的某个顶点为控制点V0出发,访问V0后对与V0邻接的未曾被访问过的顶点W1,W2,...,WK逐次进行访问,然后依次从W1,W2,...,WK出发访问其各自未被访问过的邻接点,如此反复直到图中所有的点都被访问过;控制点所在的三角面片称为碰撞面;
(1)若控制点在某个三角面片的内部,则逐次访问碰撞面的三个顶点后从这三个顶点开始向外搜索;
(2)若控制点在网格结构的某条边上,则从包含该边的所有三角面片的顶点开始逐次向外搜索;
在网格的顶点结构和面结构中设置布尔类型的访问标志初始化为false,表示已访问与否;
将与碰撞点相关的三角形顶点加入队列,并将顶点和碰撞面的访问标志赋值为true,这些数据都是需要复制的数据;
依次从队列中取出头部数据,并计算得到所有通过该顶点的三角面片,如果三角面片的到达标志位false,将其访问标志赋值为true后判断该三角面片是否满足设定的范围条件(是否在受力范围中);若满足则将该三角面片的所有尚未到达的顶点加入队列尾部,并将访问标志赋值为true;如此循环直到队列为空。
有益效果:本发明所述的一种软组织监督变形算法,与现有技术相比,具有以下优点:
1.本发明提供的方法中的求解状态方程步骤与机器学习相结合,通过构造目标函数,得到最优参数,以带入目标函数的形式代替循环求解,大大减少了计算量。
2.本发明使用了最小二乘法以及梯度下降算法,得到最小化的损失函数和模型参数值,提高了精确度。
3.本发明通过二次数据搜索、细化网格,提高了软组织变形的真实度,提高了精度;该方法提出的软组织变形方法具有较强的鲁棒性,适用于绝大多数虚拟手术。
附图说明
图1为软组织监督变形算法流程图;
图2为图的广度优先搜索图;
图3为最长边平分法图。
具体实施方式
下面结合附图,进一步阐明本发明。
实施例1
如图1-3所示的一种软组织监督变形算法,具体包括如下步骤:
第一步:第一次数据检索并复制,采用广度优先搜索算法采集软组织的数据信息,并基于弹簧质点模型建立软组织的物理模型;
即以图中的某个顶点为控制点V0出发,访问V0后对与V0邻接的未曾被访问过的顶点W1,W2,...,WK逐次进行访问,然后依次从W1,W2,...,WK出发访问其各自未被访问过的邻接点,如此反复直到图中所有的点都被访问过;控制点所在的三角面片称为碰撞面,
(1)若控制点在某个三角面片的内部,则逐次访问碰撞面的三个顶点后从这三个顶点开始向外搜索;
(2)若控制点在网格结构的某条边上,则从包含该边的所有三角面片的顶点开始逐次向外搜索;
在网格的顶点结构和面结构中设置布尔类型的访问标志初始化为false,表示已访问与否;
将与碰撞点相关的三角形顶点加入队列,并将顶点和碰撞面的访问标志赋值为true,这些数据都是需要复制的数据;
依次从队列中取出头部数据,并计算得到所有通过该顶点的三角面片,如果三角面片的到达标志位false,将其访问标志赋值为true后判断该三角面片是否满足设定的范围条件(是否在受力范围中);若满足则将该三角面片的所有尚未到达的顶点加入队列尾部,并将访问标志赋值为true;如此循环直到队列为空;
第二步:局部细化网格,采用全局最长边平分法对物理模型进行网格细化,找出网格数据中的所有边,判断每条边是否满足平分条件,将所有需要被平分的边加入集合S,对S中的边按照长度的大小进行排序,依次取出S中最长的边并在其中点处插入新的节点,同时按照插入点剖分相应的三角面片,循环计算直到S为空,每次剖分结束后均需要判断新生成的边是否满足剖分条件,若满足则按照长度大小插入S中,保持S有序;需要剖分的边满足条件为:
其中,qij为连接知的边的长度,f函数为网格节点密度需要满足的条件,为质点i的空间坐标,为质点j的空间坐标;
第三步:第二次数据搜索并修正,对细化后的网格进行第二次搜索,将细化后位于物理模型外部的网格数据剔除;
第四步:网格变形,依据步骤三所述的物理模型,对其中的各个质点进行初始化,构建模型的初始状态,该模型中每个质点Ni与相连质点Nj间的内力为:
其中,是质点Ni与质点Nj之间的内力,Kij是连接质点Ni和质点Nj的弹簧的弹性系数,是弹簧当前长度减弹簧不受力时的静止长度,其中lij表示弹簧当前长度,表示连接质点Ni和质点Nj的弹簧不受力时的静止长度,是从质点Ni指向质点Nj的单位向量;
其中,l′ij为调整后的弹簧长度,参数b用来调控Kij随弹簧长度变化而变化的速度,lij为弹簧当前长度,lmin为网格中长度最小的边,lmax为弹簧中长度最大的边,E为弹簧的弹性模量,参数d用来避免长度接近lmin的边的弹性系数过大;
包含n个质点的弹簧质点模型在任意时刻t包含n个偏微分方程,每个方程描述一个质点的运动状态:
其中,mi是质点Ni的质量,是质点Ni的加速度矢量,ci是质点Ni的阻尼系数,是质点Ni的速度矢量,σ(i)代表系统中所有与Ni邻接的质点的符号,是质点Ni的空间坐标,是质点Nj的空间坐标,是该质点Ni受到的重力,是重力加速度矢量,是作用在Ni上的所有外力的矢量和;
弹簧质点模型采用准静态仿真方法计算,
其中,与分别表示质点Ni与质点Nj的位置;
设S为所有非控制点的符号集合,δ为常数时间间隔,在每个时刻t=kδ,k=1,2,...,通过准静态方程求得所有非控制点的位置信息,在时间间隔δ内,重复下述步骤(1)、(2),实现网格变形:
获得所有控制点的数据信息,对每个i∈S,有:
其中,为每个节点上的残余力,为新得到的质点位置坐标,为当前质点位置坐标,α为缩放因子,记录时间间隔δ中的每个质点的初始位置、最终位置、内力
步骤4.1:建立目标函数
使用前述数据进行监督学习,有:
其中,hθ(η)表示前述准静态方程求解得到的质点的最终位置,η表示自变量θ0,θ1,θ2为三个待定的参数,表示质点的初始位置,表示内力表示重力
步骤4.2:最小二乘法
最小化的损失函数为:
其中,minθJ(θ)表示最小化的损失函数,θ表示系数θ0,θ1,θ2向量化构成的向量,hθ等同于h,下标θ表示待优化的系数,η(i)与y(i)分别表示第i个样本中的变量与质点的最终位置;
步骤4.3:梯度下降算法
上述步骤4.2的第I个梯度分量为:
其中,表示对系数构成的向量θ中的第I个分量求偏导数,ηI表示变量矩阵中的第I个分量;
Batch梯度下降算法伪代码:
循环变量i从0到n:
其中,θi表示第i个θ,即θ0,θ1与θ2,n为特征数(变量个数),β为步长;
设置全局的表示是否学习的布尔变量,得到目标函数的最优参数后,将该布尔变量标记为true,此后,每次受力时,如果已经学习,则直接通过目标函数得到质点受力的最终位置;如果尚未学习,则通过准静态方法求解得到质点的最终位置完成变形。
Claims (4)
1.一种软组织监督变形算法,其特征在于:包括步骤
第一步:第一次数据检索并复制,采用广度优先搜索算法采集软组织的数据信息,并基于弹簧质点模型建立软组织的物理模型;
第二步:局部细化网格,采用全局最长边平分法对物理模型进行网格细化;
第三步:第二次数据搜索并修正,对细化后的网格进行第二次搜索,将细化后位于物理模型外部的网格数据剔除;
第四步:网格变形,依据步骤三所述的物理模型,对其中的各个质点进行初始化,构建模型的初始状态,该模型中每个质点Ni与相连质点Nj间的内力为:
其中,是质点Ni与质点Nj之间的内力,Kij是连接质点Ni和质点Nj的弹簧的弹性系数,是弹簧当前长度减弹簧不受力时的静止长度,其中lij表示弹簧当前长度,表示连接质点Ni和质点Nj的弹簧不受力时的静止长度,是从质点Ni指向质点Nj的单位向量;
其中,l′ij为调整后的弹簧长度,参数b用来调控Kij随弹簧长度变化而变化的速度,lij为弹簧当前长度,lmin为网格中长度最小的边,lmax为弹簧中长度最大的边,E为弹簧的弹性模量,参数d用来避免长度接近lmin的边的弹性系数过大;
包含n个质点的弹簧质点模型在任意时刻t包含n个偏微分方程,每个方程描述一个质点的运动状态:
其中,mi是质点Ni的质量,是质点Ni的加速度矢量,ci是质点Ni的阻尼系数,是质点Ni的速度矢量,σ(i)代表系统中所有与Ni邻接的质点的符号,是质点Ni的空间坐标,是质点Nj的空间坐标,是该质点Ni受到的重力,是重力加速度矢量,是作用在Ni上的所有外力的矢量和;
弹簧质点模型采用准静态仿真方法计算,
其中,与分别表示质点Ni与质点Nj的位置坐标;
设S为所有非控制点的符号集合,δ为常数时间间隔,在每个时刻t=kδ,k=1,2,...,通过准静态方程求得所有非控制点的位置信息,在时间间隔δ内,重复下述步骤(1)、(2),实现网格变形:
获得所有控制点的数据信息,对每个i∈S,有:
(1)
(2)
其中,为每个节点上的残余力,为新得到的质点位置坐标,为当前质点位置坐标,α为缩放因子,记录时间间隔δ中的每个质点的初始位置、最终位置、内力
步骤4.1:建立目标函数
使用前述数据进行监督学习,有:
其中,hθ(η)表示前述准静态方程求解得到的质点的最终位置,η表示自变量θ0,θ1,θ2为三个待定的参数,表示质点的初始位置,表示内力 表示重力
步骤4.2:最小二乘法
最小化的损失函数为:
其中,minθJ(θ)表示最小化的损失函数,θ表示系数θ0,θ1,θ2向量化构成的向量,η(i)与y(i)分别表示第i个样本中的变量与质点的最终位置;
步骤4.3:梯度下降算法
上述步骤4.2的第I个梯度分量为:
其中,表示对系数构成的向量θ中的第I个分量求偏导数,ηI表示变量矩阵中的第I个分量;
Batch梯度下降算法伪代码:
循环变量i从0到n:
其中,θi表示第i个θ,即θ0,θ1与θ2,n为特征数,β为步长;
设置全局的表示是否学习的布尔变量,得到目标函数的最优参数后,将该布尔变量标记为true,此后,每次受力时,如果已经学习,则直接通过目标函数得到质点受力的最终位置;如果尚未学习,则通过准静态方法求解得到质点的最终位置完成变形。
2.根据权利要求1所述的一种软组织监督变形算法,其特征在于:所述步骤4.1的方程可写作:
其中,θ表示系数θ0,θ1,θ2向量化构成的向量,表示变量向量化构成的向量,T表示转置。
3.根据权利要求1所述的一种软组织监督变形算法,其特征在于:所述图的广度优先搜索算法具体为:以图中的某个顶点为控制点V0出发,访问V0后对与V0邻接的未曾被访问过的顶点W1,W2,...,WK逐次进行访问,然后依次从W1,W2,...,WK出发访问其各自未被访问过的邻接点,如此反复直到图中所有的点都被访问过;控制点所在的三角面片称为碰撞面;
(1)若控制点在某个三角面片的内部,则逐次访问碰撞面的三个顶点后从这三个顶点开始向外搜索;
(2)若控制点在网格结构的某条边上,则从包含该边的所有三角面片的顶点开始逐次向外搜索;
在网格的顶点结构和面结构中设置布尔类型的访问标志初始化为false,表示已访问与否;
将与碰撞点相关的三角形顶点加入队列,并将顶点和碰撞面的访问标志赋值为true,这些数据都是需要复制的数据;
依次从队列中取出头部数据,并计算得到所有通过该顶点的三角面片,如果三角面片的到达标志位false,将其访问标志赋值为true后判断该三角面片是否满足设定的范围条件;若满足则将该三角面片的所有尚未到达的顶点加入队列尾部,并将访问标志赋值为true;如此循环直到队列为空。
4.根据权利要求1所述的一种软组织监督变形算法,其特征在于:第二步所述的全局最长边平分法对物理模型进行网格细化具体为:找出网格数据中的所有边,判断每条边是否满足平分条件,将所有需要被平分的边加入集合S,对S中的边按照长度的大小进行排序,依次取出S中最长的边并在其中点处插入新的节点,同时按照插入点剖分相应的三角面片,循环计算直到S为空,每次剖分结束后均需要判断新生成的边是否满足剖分条件,若满足则按照长度大小插入S中,保持S有序;需要剖分的边满足条件为:
其中,qij为连接知的边的长度,f函数为网格节点密度需要满足的条件,为质点i的空间坐标,为质点j的空间坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373465.4A CN110096818B (zh) | 2019-05-06 | 2019-05-06 | 一种软组织监督变形算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373465.4A CN110096818B (zh) | 2019-05-06 | 2019-05-06 | 一种软组织监督变形算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110096818A true CN110096818A (zh) | 2019-08-06 |
CN110096818B CN110096818B (zh) | 2023-07-25 |
Family
ID=67447110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373465.4A Active CN110096818B (zh) | 2019-05-06 | 2019-05-06 | 一种软组织监督变形算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110096818B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428256A (zh) * | 2018-04-03 | 2018-08-21 | 福建师范大学福清分校 | 一种基于柔软度的自适应网格细化的软组织形变仿真方法 |
CN108710735A (zh) * | 2018-05-08 | 2018-10-26 | 南京信息工程大学 | 一种实时交互的无网格软组织形变模拟方法 |
-
2019
- 2019-05-06 CN CN201910373465.4A patent/CN110096818B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428256A (zh) * | 2018-04-03 | 2018-08-21 | 福建师范大学福清分校 | 一种基于柔软度的自适应网格细化的软组织形变仿真方法 |
CN108710735A (zh) * | 2018-05-08 | 2018-10-26 | 南京信息工程大学 | 一种实时交互的无网格软组织形变模拟方法 |
Non-Patent Citations (1)
Title |
---|
刘青: "基于表面重建的实时软组织切割与变形算法实现", CNKI优秀硕士学位论文全文库 * |
Also Published As
Publication number | Publication date |
---|---|
CN110096818B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nibali et al. | 3d human pose estimation with 2d marginal heatmaps | |
CN106202804B (zh) | 基于数据库的复杂外形飞行器分布式热环境参数预测方法 | |
Bianchi et al. | Simultaneous topology and stiffness identification for mass-spring models based on fem reference deformations | |
CN104239213B (zh) | 一种面向航天器自动化测试的并行测试任务两阶段调度方法 | |
CN112991502B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN106203506A (zh) | 一种基于深度学习技术的行人检测方法 | |
CN108154104A (zh) | 一种基于深度图像超像素联合特征的人体姿态估计方法 | |
CN107943874A (zh) | 知识图谱处理方法、装置、计算机设备及存储介质 | |
CN112884868B (zh) | 三维网格顶点特征确定方法、骨骼蒙皮方法及相关装置 | |
CN105243139A (zh) | 一种基于深度学习的三维模型检索方法及其检索装置 | |
CN107452058A (zh) | 基于特征保留的仿真模型分程度简化方法生成及系统 | |
CN109446952A (zh) | 一种钢琴监督方法、装置、计算机设备及存储介质 | |
CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
CN109583455A (zh) | 一种融合递进图排序的图像显著性检测方法 | |
CN108428015A (zh) | 一种基于历史气象数据和随机模拟的风电功率预测方法 | |
CN113240039A (zh) | 基于空间位置特征重加权的小样本目标检测方法及系统 | |
CN112200262B (zh) | 支持多任务和跨任务的小样本分类训练方法及装置 | |
CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
CN109978074A (zh) | 基于深度多任务学习的图像美感和情感联合分类方法及系统 | |
CN109544687A (zh) | 一种定向分层分户图扩展方法 | |
CN106230531A (zh) | 一种mimo ota信道建模方法及装置 | |
CN105096304B (zh) | 一种图像特征的估计方法和设备 | |
Scott et al. | How does AI play football? An analysis of RL and real-world football strategies | |
CN110096818A (zh) | 一种软组织监督变形算法 | |
CN107798331A (zh) | 离变焦图像序列特征提取方法和装置 |
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 |