CN111062996A - 施工图的渲染方法 - Google Patents
施工图的渲染方法 Download PDFInfo
- Publication number
- CN111062996A CN111062996A CN201911197849.1A CN201911197849A CN111062996A CN 111062996 A CN111062996 A CN 111062996A CN 201911197849 A CN201911197849 A CN 201911197849A CN 111062996 A CN111062996 A CN 111062996A
- Authority
- CN
- China
- Prior art keywords
- layer
- rendering
- construction drawing
- matrix
- construction
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 136
- 238000009877 rendering Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000011176 pooling Methods 0.000 claims description 35
- 210000002569 neuron Anatomy 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004040 coloring Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000009435 building construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Image Generation (AREA)
Abstract
本发明提供了一种施工图的渲染方法。包括如下步骤:在待渲染的施工图中选出若干张施工图进行渲染,形成训练集;对训练集中的渲染特征进行提取,生成训练模型;在待渲染的施工图中选出至少一张施工图,利用第一训练模型进行渲染,得到渲染待验结果;根据损失函数计算渲染待验结果与真实渲染结果之间的误差值;所述误差值修正训练模型直至模型合格,利用训练模型对待渲染的施工图进行渲染。采用本发明,简化了施工图的渲染过程,智能化程度得到了提高,同时渲染效果的精细化程度得到了提升。
Description
技术领域
本发明涉及数据分析及处理技术领域,具体而言,涉及一种施工图的渲染方法。
背景技术
本发明对于背景技术的描述属于与本发明相关的相关技术,仅仅是用于说明和便于理解本发明的发明内容,不应理解为申请人明确认为或推定申请人认为是本发明在首次提出申请的申请日的现有技术。
施工图是表示工程项目总体布局,建筑物、构筑物的外部形状、内部布置、结构构造、内外装修、材料作法以及设备、施工等要求的图样。施工图按种类可划分为建筑施工图、结构施工图、水电施工图等。施工图具有图纸齐全、表达准确、要求具体的特点;在工程领域,施工图是进行工程施工、编制施工预算和施工组织设计的依据,同时其具有良好的施工效果展示功能,因此施工图是进行技术管理的重要技术文件。目前我国的施工图画法已趋于成熟,但是对于施工图的渲染,通常采用人工渲染的方法,人工渲染的效率较低,尤其是对于复杂的施工图的渲染,往往无法做到精细化处理。
随着图像识别技术在各个领域中的广泛应用,当前,图像识别技术也被应用于施工图的渲染处理,以通过自动渲染的方式对施工图进行处理,解决施工图的人工渲染效率较低、精细化处理程度较低的问题,其具体原理在于对图像进行处理,识别施工图中的各个模块,而后对识别出的各个模块进行分别渲染,进而完成对施工图的渲染处理。但是上述渲染方式涉及到图像的分割、判断、模块渲染等操作,花费时间较长,同时渲染处理的准确程度较低。
针对上述问题,本发明提出了一种施工图的渲染方法。
发明内容
本发明提供了一种施工图的渲染方法,简化了施工图的渲染过程,智能化程度得到了提高,同时渲染效果的精细化程度得到了提升。
本发明的实施例提供了一种施工图的渲染方法,包括如下步骤:在待渲染的施工图中选出若干张施工图,被选出的施工图为第一施工图,对第一施工图进行渲染,形成训练集;对训练集中的渲染特征进行提取,生成第一训练模型;在待渲染的施工图中选出至少一张施工图,被选出的施工图为第二施工图;利用第一训练模型对第二施工图进行渲染,得到渲染待验结果;对第二施工图进行渲染,得到真实渲染结果;根据损失函数计算任意第二施工图的渲染待验结果与真实渲染结果之间的误差值;根据误差值修正第一训练模型,直至修正后的第一训练模型合格,得到第二训练模型;利用第二训练模型对待渲染的施工图进行渲染。
优选地,采用卷积神经网络对训练集中的渲染特征进行提取,生成第一训练模型。
优选地,卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层、输出层;输入层用于获取第一施工图,并生成第一施工图的图像矩阵,生成的图像矩阵通过第一层卷积层进行卷积操作,得到第一输出特征值矩阵,第一输出特征值矩阵通过第二层卷积层进行卷积操作,得到第二输出特征值矩阵,重复进行卷积操作,直至通过第M层卷积层得到第 M输出特征值矩阵;第M输出特征值矩阵通过第一层池化层进行池化操作,得到第一池化特征值矩阵;第一池化特征值矩阵通过第(M+1)层卷积层得到第(M+1)输出特征值矩阵,重复进行卷积操作,直至通过第N层卷积层得到第N输出特征值矩阵;第N输出特征值矩阵通过第二层池化层进行池化操作,得到第二池化特征值矩阵;重复进行卷积操作以及池化操作,直至得到第P输出特征值矩阵;多个全连接层顺次相连,第一层全连接层与第P层卷积层相连,第一层全连接层获取第P输出特征值矩阵,最后一层全连接层与输出层相连;卷积层以及全连接层中的神经元通过激活函数进行非线性操作;其中,P、N、M均为正整数,且P>N>M。
优选地,激活函数为Sigmoid函数或Relu函数。
优选地,某一层全连接层的某个神经元为ai,与上一层全连接层的K 个神经元连接bi1、bi2、……bik,其相关系数为:中,μ为误差值的均值,σ为误差值的方差,当相关系数的绝对值小于0.1 时,省略该两个神经元之间的链接。
优选地,某一层全连接层的权重矩阵为Wi,该层全连接层中权重参数大于阈值T的神经元被保留,权重参数小于或等于阈值T的神经元被舍弃;其中阈值T由权重矩阵Wi的矩阵特征所决定。
优选地,阈值T为权重矩阵Wi中的所有权重参数的均值与系数α的乘积,其中0.6≤α≤1.2。
优选地,阈值T为权重矩阵Wi中的所有权重参数的均方差与系数β的乘积,其中0.9≤β≤1.4。
优选地,将池化层与与其相连的上一层卷积层相融合。
优选地,待渲染的施工图中,相连通的像素的面积为A,施工图的像素总面积为B,若0.3<A/B,则相连通的像素被判定为无操作区。
本发明实施例所提供的施工图的渲染方法,简化了施工图的渲染过程,智能化程度得到了提高,同时渲染效果的精细化程度得到了提升。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本说明书施工图的渲染方法的优选实施例的流程图;
图2是本说明书施工图的渲染方法的优选实施例的二维施工图渲染的操作界面;
图3是本说明书施工图的渲染方法的优选实施例的三维施工图渲染的操作界面;
图4是本说明书施工图的渲染方法的优选实施例的二维施工图渲染的效果显示界面。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下述讨论提供了本发明的多个实施例。虽然每个实施例代表了发明的单一组合,但是本发明不同实施例可以替换,或者合并组合,因此本发明也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而,如果一个实施例包含A、B、C,另一个实施例包含B和D的组合,那么本发明也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例,尽管该实施例可能并未在以下内容中有明确的文字记载。
图1是本说明书施工图的渲染方法的优选实施例的流程图。如图1所示,本发明优选实施例提供的施工图的渲染方法,包括如下步骤:
步骤S01:在待渲染的施工图中选出若干张施工图,被选出的施工图为第一施工图,对第一施工图进行渲染,形成训练集;步骤S02:对训练集中的渲染特征进行提取,生成第一训练模型;步骤S03:在待渲染的施工图中选出至少一张施工图,被选出的施工图为第二施工图;利用第一训练模型对第二施工图进行渲染,得到渲染待验结果;步骤S04:对第二施工图进行渲染,得到真实渲染结果;步骤S05:根据损失函数计算任意第二施工图的渲染待验结果与真实渲染结果之间的误差值;步骤S06:根据误差值修正第一训练模型,直至修正后的第一训练模型合格,得到第二训练模型;步骤S07:利用第二训练模型对待渲染的施工图进行渲染。
本说明书优选实施例通过步骤S01对待渲染的施工图进行人工渲染,并通过步骤S02进行机器学习,捕捉渲染特征,生成第一训练模型。步骤 S03利用所生成的第一训练模型对尚未进行渲染的施工图进行渲染操作,得到渲染待验结果,步骤S04采用人工渲染的方式,对步骤S03中所渲染的施工图进行人工的渲染操作,得到真实渲染结果。步骤S05采用误差函数对同一施工图由步骤S03获得的渲染待验结果以及由步骤S04获得的真实渲染结果进行误差分析,得到二者之间的误差值,并由步骤S06采用误差值对第一训练模型进行修正,直至修正后的训练模型合格,为第二训练模型。通过第二训练模型对待渲染的施工图进行渲染。
本说明书优选实施例利用了施工图渲染的操作特点,即渲染的模式较为单一,对于一张待渲染的施工图,其特点在于,施工图的边界分明,且施工图的图形较为单一固定,采用机器学习的方式进行施工图的渲染可以获得较高的准确程度,避免了人工进行渲染的大量重复性工作,加快了渲染的效率,同时提高了渲染的精度。
本说明书优选实施例采用卷积神经网络对训练集中的渲染特征进行提取,生成第一训练模型。本优选实施例选用卷积神经网络,卷积神经网络是一种前馈神经网络,通过卷积核提取施工图的各个局部信息,并构成整体进行分析,适合施工图这种大型图片的处理。
本说明书优选实施例卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层、输出层;输入层用于获取第一施工图,并生成第一施工图的图像矩阵,生成的图像矩阵通过第一层卷积层进行卷积操作,得到第一输出特征值矩阵,第一输出特征值矩阵通过第二层卷积层进行卷积操作,得到第二输出特征值矩阵,重复进行卷积操作,直至通过第M层卷积层得到第M输出特征值矩阵;第M输出特征值矩阵通过第一层池化层进行池化操作,得到第一池化特征值矩阵;第一池化特征值矩阵通过第 (M+1)层卷积层得到第(M+1)输出特征值矩阵,重复进行卷积操作,直至通过第N层卷积层得到第N输出特征值矩阵;第N输出特征值矩阵通过第二层池化层进行池化操作,得到第二池化特征值矩阵;重复进行卷积操作以及池化操作,直至得到第P输出特征值矩阵;多个全连接层顺次相连,第一层全连接层与第P层卷积层相连,第一层全连接层获取第P输出特征值矩阵,最后一层全连接层与输出层相连;卷积层以及全连接层中的神经元通过激活函数进行非线性操作;其中,P、N、M均为正整数,且P >N>M。卷积层接收施工图的图像矩阵、上一层卷积层的输出特征矩阵、或池化特征矩阵,经过卷积操作,得到输出特征值矩阵。卷积核是每层卷积神经网络权值矩阵,表示输入矩阵神经元到输出矩阵神经元之间的权重大小,经过输入矩阵和卷积核的计算得出输出特征值矩阵,池化层对输入的输出特征矩阵进行池化操作,使特征矩阵变小,简化网络计算复杂度,同时増大视野的感受域,使得之后的特征能够接收到更大的感受。
本说明书优选实施例激活函数为Sigmoid函数或Relu函数。上述激活函数负责进行神经元的非线性操作,进行神经元的激活。
本说明书优选实施例某一层全连接层的某个神经元为ai,与上一层全连接层的K个神经元连接bi1、bi2、……bik,其相关系数为:
其中,μ为误差值的均值,σ为误差值的方差,当相关系数的绝对值小于0.1时,省略该两个神经元之间的链接。
神经元与上一层全连接层的各个神经元之间存在着关联,在运算过程中,庞大的关联网造成了运行速度缓慢,根据神经元之间的相关性进行连接重要性的判断。较强的相关性表示上层神经元与当前神经元之间有更大的决定性作用。所以通过计算每个神经元与上层神经元之间的相关性,保留相关性大的神经元链接,去除相关性小的神经元链接,极大地降低了卷积神经网络的复杂性,一定程度上避免了系统的冗余,提升了施工图渲染的时效性。
本说明书优选实施例某一层全连接层的权重矩阵为Wi,该层全连接层中权重参数大于阈值T的神经元被保留,权重参数小于或等于阈值T的神经元被舍弃;其中阈值T由权重矩阵Wi的矩阵特征所决定。根据神经元的权重大小进行神经元链接重要性的判断,权重大的对网络的影响大,权重小的对网络的影响小。因此保留权重大的参数,去除权重小的参数,极大地降低了卷积神经网络的复杂性,一定程度上避免了系统的冗余,提升了施工图渲染的时效性。
本说明书第一优选实施例阈值T为权重矩阵Wi中的所有权重参数的均值与系数α的乘积,其中0.6≤α≤1.2。
本说明书第二优选实施例阈值T为权重矩阵Wi中的所有权重参数的均方差与系数β的乘积,其中0.9≤β≤1.4。
本说明书优选实施例将池化层与与其相连的上一层卷积层相融合。将池化层融合到卷积层之中,卷积步伐改变为池化步伐x卷积步伐,局部相应归一化层直接去除。经过网络融合,计算时间缩短,效率得到较大的提升。
本说明书优选实施例待渲染的施工图中,相连通的像素的面积为A,施工图的像素总面积为B,若0.3<A/B,则相连通的像素被判定为无操作区。对于施工图而言,当相连通的像素总面积占整体像素面积的30%以上时,即可判定,该连通区域为非操作区域,即无需进行渲染造作。
图2是本说明书施工图的渲染方法的优选实施例的二维施工图渲染的操作界面;图3是本说明书施工图的渲染方法的优选实施例的三维施工图渲染的操作界面;图4是本说明书施工图的渲染方法的优选实施例的二维施工图渲染的效果显示界面。如图2-4所示,本说明书优选实施例提供二维施工图渲染功能,点击二维施工图绘制功能按钮,进入二维施工图绘制功能界面,可以对绘制图像、绘制模式、绘制类型、绘制状态、绘制记录、绘制显示、绘制方式、绘制操作、二维施工图绘制等参数进行设置,支持图像切换、绘制设置等处理和操作。本说明书优选实施例提供三维渲染操作,点击三维渲染操作功能按钮,进入三维渲染操作功能界面,可以对渲染预设、视口、渲染区域、渲染方式、三维渲染操作等参数进行设置。本说明书优选实施例二维着色表现如下,点击二维着色表现功能按钮,进入二维着色表现功能界面,可以对着色状态、着色方式、二维着色表现等参数进行设置,支持颜色选取、图像信息等处理和操作。
本发明实施例所提供的施工图的渲染方法,简化了施工图的渲染过程,智能化程度得到了提高,同时渲染效果的精细化程度得到了提升。
在本发明中,术语“第一”、“第二”、“第三”仅用于描述的目的,而不能理解为指示或暗示相对重要性;术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;“相连”可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的描述中,需要理解的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明的限制。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”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实例。而且,描述的具体特征、结构、材料或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。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种施工图的渲染方法,其特征在于,包括如下步骤:
在待渲染的施工图中选出若干张施工图,被选出的施工图为第一施工图,对所述第一施工图进行渲染,形成训练集;
对所述训练集中的渲染特征进行提取,生成第一训练模型;
在待渲染的施工图中选出至少一张施工图,被选出的施工图为第二施工图;
利用所述第一训练模型对所述第二施工图进行渲染,得到渲染待验结果;
对所述第二施工图进行渲染,得到真实渲染结果;
根据损失函数计算任意所述第二施工图的渲染待验结果与真实渲染结果之间的误差值;
根据所述误差值修正所述第一训练模型,直至修正后的第一训练模型合格,得到第二训练模型;
利用所述第二训练模型对待渲染的施工图进行渲染。
2.根据权利要求1所述的施工图的渲染方法,其特征在于,采用卷积神经网络对所述训练集中的渲染特征进行提取,生成所述第一训练模型。
3.根据权利要求2所述的施工图的渲染方法,其特征在于,所述卷积神经网络包括输入层、多个卷积层、多个池化层、多个全连接层、输出层;所述输入层用于获取所述第一施工图,并生成所述第一施工图的图像矩阵,生成的图像矩阵通过第一层卷积层进行卷积操作,得到第一输出特征值矩阵,所述第一输出特征值矩阵通过第二层卷积层进行卷积操作,得到第二输出特征值矩阵,重复进行卷积操作,直至通过第M层卷积层得到第M输出特征值矩阵;所述第M输出特征值矩阵通过第一层池化层进行池化操作,得到第一池化特征值矩阵;所述第一池化特征值矩阵通过第(M+1)层卷积层得到第(M+1)输出特征值矩阵,重复进行卷积操作,直至通过第N层卷积层得到第N输出特征值矩阵;所述第N输出特征值矩阵通过第二层池化层进行池化操作,得到第二池化特征值矩阵;重复进行卷积操作以及池化操作,直至得到第P输出特征值矩阵;多个所述全连接层顺次相连,第一层全连接层与第P层卷积层相连,所述第一层全连接层获取第P输出特征值矩阵,最后一层全连接层与所述输出层相连;所述卷积层以及所述全连接层中的神经元通过激活函数进行非线性操作;
其中,P、N、M均为正整数,且P>N>M。
4.根据权利要求3所述的施工图的渲染方法,其特征在于,所述激活函数为Sigmoid函数或Relu函数。
6.根据权利要求3所述的施工图的渲染方法,其特征在于,某一层全连接层的权重矩阵为Wi,该层全连接层中权重参数大于阈值T的神经元被保留,权重参数小于或等于阈值T的神经元被舍弃;其中所述阈值T由所述权重矩阵Wi的矩阵特征所决定。
7.根据权利要求6所述的施工图的渲染方法,其特征在于,所述阈值T为所述权重矩阵Wi中的所有权重参数的均值与系数α的乘积,其中0.6≤α≤1.2。
8.根据权利要求6所述的施工图的渲染方法,其特征在于,所述阈值T为所述权重矩阵Wi中的所有权重参数的均方差与系数β的乘积,其中0.9≤β≤1.4。
9.根据权利要求3-8中任意一项所述的施工图的渲染方法,其特征在于,将池化层与与其相连的上一层卷积层相融合。
10.根据权利要求1-8中任意一项所述的施工图的渲染方法,其特征在于,待渲染的施工图中,相连通的像素的面积为A,施工图的像素总面积为B,若0.3<A/B,则相连通的像素被判定为无操作区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911197849.1A CN111062996A (zh) | 2019-11-29 | 2019-11-29 | 施工图的渲染方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911197849.1A CN111062996A (zh) | 2019-11-29 | 2019-11-29 | 施工图的渲染方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062996A true CN111062996A (zh) | 2020-04-24 |
Family
ID=70299290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911197849.1A Pending CN111062996A (zh) | 2019-11-29 | 2019-11-29 | 施工图的渲染方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062996A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273761A1 (en) * | 2004-06-07 | 2005-12-08 | The Mathworks, Inc. | Freehand system and method for creating, editing, and manipulating block diagrams |
CN106408640A (zh) * | 2016-09-14 | 2017-02-15 | 李娜 | 三维地图建模表层轮廓快速联动渲染方法 |
CN109584179A (zh) * | 2018-11-29 | 2019-04-05 | 厦门美图之家科技有限公司 | 一种卷积神经网络模型生成方法及图像质量优化方法 |
CN110211192A (zh) * | 2019-05-13 | 2019-09-06 | 南京邮电大学 | 一种基于深度学习的三维模型到二维图像的渲染方法 |
-
2019
- 2019-11-29 CN CN201911197849.1A patent/CN111062996A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273761A1 (en) * | 2004-06-07 | 2005-12-08 | The Mathworks, Inc. | Freehand system and method for creating, editing, and manipulating block diagrams |
CN106408640A (zh) * | 2016-09-14 | 2017-02-15 | 李娜 | 三维地图建模表层轮廓快速联动渲染方法 |
CN109584179A (zh) * | 2018-11-29 | 2019-04-05 | 厦门美图之家科技有限公司 | 一种卷积神经网络模型生成方法及图像质量优化方法 |
CN110211192A (zh) * | 2019-05-13 | 2019-09-06 | 南京邮电大学 | 一种基于深度学习的三维模型到二维图像的渲染方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112927357B (zh) | 一种基于动态图网络的3d物体重建方法 | |
CN111204476B (zh) | 一种基于强化学习的视触融合精细操作方法 | |
CN110909762B (zh) | 基于多传感器融合的机器人姿态识别方法及装置 | |
CN110852393A (zh) | 一种遥感图像的分割方法及系统 | |
CN111259735B (zh) | 基于多级预测特征增强卷积神经网络的单人姿态估计方法 | |
KR20210106703A (ko) | 3차원 공간의 의미적 분할 시스템 및 이를 이용한 3차원 공간의 의미적 분할 방법 | |
CN112016601A (zh) | 基于知识图谱增强小样本视觉分类的网络模型构建方法 | |
CN112818849B (zh) | 基于对抗学习的上下文注意力卷积神经网络的人群密度检测算法 | |
Rios et al. | Feature visualization for 3D point cloud autoencoders | |
CN111552069A (zh) | 一种基于深度强化学习的显微图像自动聚焦方法及系统 | |
CN114626476A (zh) | 基于Transformer与部件特征融合的鸟类细粒度图像识别方法及装置 | |
CN114581560A (zh) | 基于注意力机制的多尺度神经网络红外图像彩色化方法 | |
CN109508640A (zh) | 一种人群情感分析方法、装置和存储介质 | |
CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、系统、装置及介质 | |
CN117252928B (zh) | 用于电子产品模块化智能组装的视觉图像定位系统 | |
CN114495210A (zh) | 一种基于注意力机制的姿态变化人脸识别方法 | |
CN114492634A (zh) | 一种细粒度装备图片分类识别方法及系统 | |
CN115330759B (zh) | 一种基于豪斯多夫距离计算距离损失的方法及装置 | |
CN111062996A (zh) | 施工图的渲染方法 | |
CN114694174A (zh) | 一种基于时空图卷积的人体交互行为识别方法 | |
CN112613405B (zh) | 任意视角动作识别方法 | |
CN109165586A (zh) | 用于ai芯片的智能图像处理方法 | |
CN115035339A (zh) | 一种基于人工智能的膀胱镜图像分类方法 | |
CN114120359A (zh) | 一种基于堆叠沙漏网络的群养猪体尺测量方法 | |
Rios et al. | Back to meshes: Optimal simulation-ready mesh prototypes for autoencoder-based 3D car point clouds |
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: 20200424 |