CN111078913A - 基于多视图卷积神经网络的三维模型检索方法 - Google Patents
基于多视图卷积神经网络的三维模型检索方法 Download PDFInfo
- Publication number
- CN111078913A CN111078913A CN201911296893.8A CN201911296893A CN111078913A CN 111078913 A CN111078913 A CN 111078913A CN 201911296893 A CN201911296893 A CN 201911296893A CN 111078913 A CN111078913 A CN 111078913A
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- neural network
- model
- view
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims abstract description 4
- 230000007787 long-term memory Effects 0.000 claims abstract description 3
- 230000006403 short-term memory Effects 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种基于多视图卷积神经网络的三维模型检索方法，所述方法包括：采用最大池化层合并多个视图特征，再用基于长短期记忆网络的注意力机制动态地计算特征矩阵每个位置的权重，将特征矩阵上的元素进行加权求和从而得到三维模型的特征，通过反向传播算法最小化损失函数学习到最优的权重矩阵；权重矩阵和注意力得分由神经网络自动更新，神经网络训练结束后，将特征进行加权求和，得到三维模型的最终特征描述符；神经网络通过隐藏状态输出单个三维模型的最终特征描述符，根据欧式距离算出与查询模型距离较近的数据库中的其他三维模型从而完成检索任务。本发明可以在视觉域和空间域中挖掘多个视图之间的上下文信息，所提取的三维模型特征也更具鉴别性与显著性，从而提高了检索精度。
Description
技术领域
本发明涉及多视图三维模型检索领域，尤其涉及一种基于多视图卷积神经网络的三维模型检索方法。
背景技术
随着三维数据的爆炸式增长、三维重建技术[1]的快速发展和三维设备的广泛应用，近年来三维对象检索[2]和分类[3]的重要性日益提高。三维模型在医学诊断、智能机器人、自动驾驶汽车等领域也有着广泛的应用。与文本和图像相比，三维对象[4]不易处理，在互联网上存在着万亿个三维对象，如何有效地获取所需的三维对象成为一项重要且具有挑战性的任务。因此，如何实现快速有效的三维对象检索成为一个亟待解决的问题。
目前三维模型检索主要有两大类[5]：第一类是基于文本进行三维模型检索，另外一类基于三维模型的内容检索。在第一类中，基于文本的检索算法通常做法是输入文本信息来搜索模型。由于文本所能承载的信息量过少，不能准确并充分的描述出三维模型的结构、纹理等关键性信息。第二类是基于内容的检索，基于内容的三维模型检索是针对模型的特征信息进行检索。一般步骤是：采用一些算法处理提取三维模型的拓扑结构[6]、几何形状[7]等特征，然后与数据库中其他模型的相关特征进行相似度计算。根据特征提取方式的不同，基于内容的三维模型检索可以分为基于模型和基于视图两种[8]：而基于模型的检索要求每个三维模型必须具有清晰完整的空间和结构信息，这限制了基于模型检索的实际应用。近些年来，因为神经网络在图像领域的杰出表现，人们把视线转向基于视图的检索。三维模型检索领域目前面临的主要挑战为[9]：如何挖掘出最具鉴别性的特征矩阵去描述三维模型。
基于视图的三维模型检索方法领域目前面临的挑战主要有两个方面[10]：
1、多视图特征融合方式的选择，当通过二维卷积神经网络得到三维模型的多个视图特征后，如何去有效的将多个视图特征合并成为一个三维模型特征。
2、如何去挖掘三维模型多视图之间的相关信息，单个视图信息是有限的，而多个视图之间的上下文信息也是需要去探索的。
发明内容
本发明提供了一种基于多视图卷积神经网络的三维模型检索方法，本发明可以在视觉域和空间域中挖掘多个视图之间的上下文信息，所提取的三维模型特征也更具鉴别性与显著性，从而提高了检索精度，详见下文描述：
一种基于多视图卷积神经网络的三维模型检索方法，所述方法包括：
将每个三维模型沿着固定坐标轴垂直放置，将12个虚拟摄像机以θ＝30°为间隔围绕模型进行虚拟拍照，虚拟摄像机指向三维模型的质心后与地平面成30度的夹角，得到单个三维模型的十二个视图后，即可构成多视图模型数据库；
采用最大池化层合并多个视图特征，再用基于长短期记忆网络的注意力机制动态地计算特征矩阵每个位置的权重，将特征矩阵上的元素进行加权求和从而得到三维模型的特征，通过反向传播算法最小化损失函数学习到最优的权重矩阵；权重矩阵和注意力得分由神经网络自动更新，神经网络训练结束后，将特征进行加权求和，得到三维模型的最终特征描述符；
神经网络通过隐藏状态输出单个三维模型的最终特征描述符，根据欧式距离算出与查询模型距离较近的数据库中的其他三维模型从而完成检索任务。
其中，所述方法还包括：
将多视图模型数据库按照7：2：1的比例划分为训练集、测试集和验证集。
进一步地，所述权重矩阵具体为：
其中，
ei＝wTtanh(Uvht-1+Avv′i+bv)
w,Uv,Av,bv分别代表变换矩阵，前一时刻的隐藏状态ht-1的权重矩阵，v′i的权重矩阵以及偏置向量；ai即为特征矩阵v′对应的权重，也是特征的注意力得分。
本发明提供的技术方案的有益效果是：
1、本方法利用LSTM设计了一个针对三维模型视图序列特征的注意力机制，不仅可以使网络在模型一些重要的特征上自动学到更大的权重，还能挖掘视图序列之间的上下文关联信息，从而使得最终输出的三维模型特征更加具有显著性与鉴别性；
2、本方法针对基于多视图卷积神经网络的三维模型检索设计了全新的网络结构；
3、本方法大幅提高了模型检索的精度和效率，改善了传统方法针对多视图特征融合而导致信息缺失的问题。
附图说明
图1为一种基于多视图卷积神经网络的三维模型检索方法的流程图；
图2为单个目标经过虚拟拍照后得到多视图的示意图；
图3为基于多视图卷积神经网络的三维模型检索的查准-查全曲线的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
实施例1
一种基于多视图卷积神经网络的三维模型检索方法，参见图1，该方法包括以下步骤：
101：假设数据库中的每个三维模型沿着固定轴(例如，z轴)垂直放置，将12个虚拟摄像机以θ＝30°为间隔围绕模型进行虚拟拍照，这些虚拟摄像机指向三维模型的质心后与地平面成30度的夹角，得到单个三维模型的十二个视图后，即可构成多视图模型数据库；
102：将多视图模型数据库按照7：2：1的比例划分为训练集、测试集和验证集，训练过程中通过反向传播算法最小化损失函数并不断更新网络参数；
103：网络训练结束后，神经网络通过隐藏状态ht输出单个三维模型的特征，根据欧式距离算出与查询模型距离较近的数据库中的其他三维模型从而完成检索任务。
综上所述，本发明针对基于多视图卷积神经网络的三维模型检索任务设计了全新的网络结构，充分挖掘三维模型的多视图之间的上下文信息，使得模型特征更加具有显著性，提高了模型检索的精度和效率。
实施例2
下面结合具体的实例、计算公式对实施例1中的方案进行进一步地介绍，详见下文描述：
201：将ModelNet40[11]数据库中的每个三维模型沿着固定轴(例如，z轴)垂直放置，将十二个虚拟摄像机以θ＝30°为间隔围绕模型进行虚拟拍照，这些虚拟摄像机指向三维模型的质心后与地平面成30度的夹角。得到单个三维模型的十二个视图后，即可构成多视图模型数据库；
其中，上述步骤201主要包括：
预定义一组视点，视点即为观测目标物体的视点，设L为预定义视点的数量，在本发明实施例中，L取为12。将十二个虚拟摄像机以θ＝30°为间隔围绕模型进行虚拟拍照，这些虚拟摄像机指向三维模型的质心后与地平面成30度的夹角。将
记作单个目标的所有视图的集合，其中vi为ModelNet40数据库中单个训练样本的第i个视图。
将数据库中所有物体进行投影，每个目标得到12个视图，所有目标的12个视图即构成了多视图模型数据库。以ModelNet40为例，ModelNet40是由普林斯顿大学收集构建的三维模型数据库，主要有12311个CAD三维模型，将数据库中的每个模型进行投影，即可以得到147732个视图，构成了多视图模型数据库。图2为从多视图模型数据库中取的某单个模型，经过虚拟拍照后的多视图示意图。
202：将上述得到的多视图模型数据库按照7：2：1的比例划分为训练集、测试集和验证集，训练集主要用于神经网络模型参数的设定，验证集主要用于调整神经网络模型中的超参数，而测试集则用于判定一个网络的好坏。
得到每个三维模型的12个视图后，将这12个视图分别传进2D卷积神经网络进行训练，在本发明实施例中，选择AlexNet卷积神经网络作为2D卷积神经网络。接着提取该网络的第五个卷积层作为每个视图的特征矩阵v′，这样就得到了v′＝{v′1,v′2,...,v′L,}。接下来采用最大池化层合并多个视图特征，具体做法是将12个二维特征矩阵堆叠在一起，在每个通道上取最大值，从而可将多个视图特征合并成一个二维的特征矩阵，再用基于长短期记忆网络(LSTM)的注意力机制动态地计算特征矩阵每个位置的权重，将特征矩阵上的元素进行加权求和从而得到三维模型的特征，其中LSTM模块主要包括一个隐藏状态(ht)和内部存储状态(ct)。隐藏状态和存储状态之间的相关性计算：
其中，σ是一个logistic函数，U0是前一时刻的隐藏状态ht-1的权重矩阵，A0是函数φ(v′i,ai)的权重矩阵，b0是偏置向量。
ct的计算公式为：
ct＝tanh(Ucht-1+Acφ(v′i,ai)+bc
其中，Uc是前一时刻的隐藏状态ht-1的权重矩阵，Ac是函数φ(v′i,ai)的权重矩阵，bc是偏置向量。其中φ(v′i,ai)的计算公式如下：
ei＝wTtanh(Uvht-1+Avv′i+bv)
其中，w,Uv,Av,bv分别代表变换矩阵，前一时刻的隐藏状态ht-1的权重矩阵，v′i的权重矩阵以及偏置向量。ai即为特征矩阵v′对应的权重，也是特征的注意力得分。
以往的三维模型特征学习过程中并没有对特征进行分配权重，通常做法是采用视图合并层，对视图特征取最大值或者平均值。本方法设计出对特征自动学习权重的模块称为注意力机制，训练时通过模型参数的不断更新，神经网络能在模型一些重要的特征上自动学到更大的权重(注意力得分)。
因为是有监督的学习，神经网络可以通过反向的梯度传播更新参数，学习到最优的权重矩阵。φ(v′i,ai)的计算公式是用于给特征分配权重，权重矩阵和注意力得分由神经网络自动更新，神经网络训练结束后，将特征进行加权求和，就可以得到三维模型的最终特征描述符。通过加权得到的特征更具代表性、显著性，能考虑到不同视角下的三维模型所包含的鉴别性信息的不同从而更好地挖掘三维模型的空间性信息。网络最后输出隐藏状态ht作为三维模型的最终特征描述符。
203：得到三维模型的最终特征向量后，通过计算该特征与数据库其他三维模型特征之间的欧式距离，将距离较近的模型检索出来即可。计算公式为：
综上所述，本发明不是单纯的将视图特征整合成一个三维模型描述符，通过设计引入特征空间注意力机制从而使得方法可以在视觉和空间域中挖掘多个视图之间的上下文信息；得到单个三维模型的十二个视图后，即可构成多视图模型数据库；将多视图模型数据库按照7：2：1的比例划分为训练集、测试集和验证集；本方法创新之处就在于得到合并的视图特征后，设计了一个基于长短期记忆网络(LSTM)的注意力机制动态地计算特征矩阵每个位置的权重，将特征矩阵上的元素进行加权求和后更新网络参数反复迭代从而得到三维模型的特征，提高了模型检索的精度和效率。
实施例3
下面结合具体的试验对实施例1和2中的方案进行可行性验证，详见下文描述：
图3对本实施例中的方案进行了可行性验证，采用查全率-查准率来衡量本方法的性能，它分别以查全率(Recall)和查准率(Precision)作为x轴和y轴，根据以下公式即可得到：
其中，Recall为查全率，Kz为检索结果中与查询模型同类别的数量，Kr数据库中所有与查询模型同类别的三维模型的数量。
其中，Precision为查准率，Kall是是检索结果中所有的三维模型的数量。
一般而言，查全率-查准率曲线越靠近右上方，与坐标轴围成的面积越大，算法性能越好。由图3可知，查全率-查准率与坐标轴围成的面积在0.5以上，较之于传统的算法(面积在0.4以下)，本发明设计的算法在检索精度上有着较大的提高。
参考文献：
[1]S Jeannin，S Jeannin.MPEG7 Visual part of eXperimentation ModelVersion 7[J].ISO/IEC JTC1/SC29/WG11 N，2001,3914.
[2]张飞.三维模型特征提取和相关反馈算法研究与实现[D].西北大学,2010.
[3]刘小明.基于适应加非对称AdaBoost HMM的三维模型分类方法[J].浙江大学学报，2006
[4]Kider J T.Simulation of 3D model,shape,and appearance aging byphysical,chemical,biological,environmental,and weathering effects[J].Dissertations&Theses-Gradworks,2012.
[5]Renu RS,Mocko G.Computing similarity of text-based assemblyprocesses for knowledge retrieval and reuse[J].Journal of ManufacturingSystems,2016,39:101-110.
[6]Kumar M.Strategy for Design and Building Multimedia Data Type[J].International Journal of Computer Applications,2013,73(4):50-52.
[7]Yang Y,Lin H,Zhang Y.Content-based 3-D model retrieval:asurvey.Systems,Man,and Cybernetics[C],Part C:Applications and Reviews,IEEETransactions on,2007,37(6):1081-1098.
[8]Guetat G,Maitre M,Joly L,et al.Automatic 3-D grayscale volumematching and shape analysis[J].Information Technology in Biomedicine IEEETransactions on,2006,10(2):362-376.
[9]俞晓妮.基于特征提取的三维模型检索技术研究[J].科技传播,2014,(2).
[10]Chen Y,Medasani S,Jiang Q,et al.Video content-based retrieval[J].2016.
[11]Z.Wu,S.Song,A.Khosla,F.Yu,L.Zhang,X.Tang,and J.Xiao.3d shapenets:A deep representation for volumetric shapes.In Proceedings of IEEE Conferenceon Computer Vision and Pattern Recognition(CVPR),2015
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (3)
1.一种基于多视图卷积神经网络的三维模型检索方法，其特征在于，所述方法包括：
将每个三维模型沿着固定坐标轴垂直放置，将12个虚拟摄像机以θ＝30°为间隔围绕模型进行虚拟拍照，虚拟摄像机指向三维模型的质心后与地平面成30度的夹角，得到单个三维模型的十二个视图后，即可构成多视图模型数据库；
采用最大池化层合并多个视图特征，再用基于长短期记忆网络的注意力机制动态地计算特征矩阵每个位置的权重，将特征矩阵上的元素进行加权求和从而得到三维模型的特征，通过反向传播算法最小化损失函数学习到最优的权重矩阵；权重矩阵和注意力得分由神经网络自动更新，神经网络训练结束后，将特征进行加权求和，得到三维模型的最终特征描述符；
神经网络通过隐藏状态输出单个三维模型的最终特征描述符，根据欧式距离算出与查询模型距离较近的数据库中的其他三维模型从而完成检索任务。
2.根据权利要求1所述的一种基于多视图卷积神经网络的三维模型检索方法，其特征在于，其特征在于，所述方法还包括：
将多视图模型数据库按照7：2：1的比例划分为训练集、测试集和验证集。
3.根据权利要求1所述的一种基于多视图卷积神经网络的三维模型检索方法，其特征在于，其特征在于，所述权重矩阵具体为：
其中，
ei＝wT tanh(Uvht-1+Avv′i+bv)
w,Uv,Av,bv分别代表变换矩阵，前一时刻的隐藏状态ht-1的权重矩阵，vi′的权重矩阵以及偏置向量；ai即为特征矩阵v′对应的权重，也是特征的注意力得分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911296893.8A CN111078913A (zh) | 2019-12-16 | 2019-12-16 | 基于多视图卷积神经网络的三维模型检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911296893.8A CN111078913A (zh) | 2019-12-16 | 2019-12-16 | 基于多视图卷积神经网络的三维模型检索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111078913A true CN111078913A (zh) | 2020-04-28 |
Family
ID=70315193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911296893.8A Pending CN111078913A (zh) | 2019-12-16 | 2019-12-16 | 基于多视图卷积神经网络的三维模型检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111078913A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914697A (zh) * | 2020-07-16 | 2020-11-10 | 天津大学 | 基于视图语义信息和序列上下文信息的多视目标识别方法 |
| CN112036511A (zh) * | 2020-09-30 | 2020-12-04 | 上海美迪索科电子科技有限公司 | 基于注意力机制图卷积神经网络的图像检索方法 |
| CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
| CN113032613A (zh) * | 2021-03-12 | 2021-06-25 | 哈尔滨理工大学 | 一种基于交互注意力卷积神经网络的三维模型检索方法 |
| CN113688171A (zh) * | 2021-08-24 | 2021-11-23 | 北京工商大学 | 一种基于图卷积神经网络的列车制动故障检测方法及系统 |
| CN116434220A (zh) * | 2023-04-24 | 2023-07-14 | 济南大学 | 基于描述符和AdaBoost算法的三维物体分类方法及系统 |
| CN112036511B (zh) * | 2020-09-30 | 2024-04-30 | 上海美迪索科电子科技有限公司 | 基于注意力机制图卷积神经网络的图像检索方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107066559A (zh) * | 2017-03-30 | 2017-08-18 | 天津大学 | 一种基于深度学习的三维模型检索方法 |
| CN109308486A (zh) * | 2018-08-03 | 2019-02-05 | 天津大学 | 基于深度学习的多源图像融合和特征提取算法 |
| CN110069656A (zh) * | 2019-03-28 | 2019-07-30 | 天津大学 | 一种基于生成对抗网络的二维图片检索三维模型的方法 |
| CN110457515A (zh) * | 2019-07-19 | 2019-11-15 | 天津理工大学 | 基于全局特征捕捉聚合的多视角神经网络的三维模型检索方法 |
-
2019
- 2019-12-16 CN CN201911296893.8A patent/CN111078913A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107066559A (zh) * | 2017-03-30 | 2017-08-18 | 天津大学 | 一种基于深度学习的三维模型检索方法 |
| CN109308486A (zh) * | 2018-08-03 | 2019-02-05 | 天津大学 | 基于深度学习的多源图像融合和特征提取算法 |
| CN110069656A (zh) * | 2019-03-28 | 2019-07-30 | 天津大学 | 一种基于生成对抗网络的二维图片检索三维模型的方法 |
| CN110457515A (zh) * | 2019-07-19 | 2019-11-15 | 天津理工大学 | 基于全局特征捕捉聚合的多视角神经网络的三维模型检索方法 |
Non-Patent Citations (1)
| Title |
|---|
| HEYU ZHOU，AN-AN LIU，WEIZHI NIE: "Dual-level Embedding Alignment Network for 2D Image-Based 3D Object Retrieval" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914697A (zh) * | 2020-07-16 | 2020-11-10 | 天津大学 | 基于视图语义信息和序列上下文信息的多视目标识别方法 |
| CN112036511A (zh) * | 2020-09-30 | 2020-12-04 | 上海美迪索科电子科技有限公司 | 基于注意力机制图卷积神经网络的图像检索方法 |
| CN112036511B (zh) * | 2020-09-30 | 2024-04-30 | 上海美迪索科电子科技有限公司 | 基于注意力机制图卷积神经网络的图像检索方法 |
| CN112883873A (zh) * | 2021-02-22 | 2021-06-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
| CN112883873B (zh) * | 2021-02-22 | 2023-08-01 | 暨南大学 | 叶部病害的识别方法、装置、电子装置和存储介质 |
| CN113032613A (zh) * | 2021-03-12 | 2021-06-25 | 哈尔滨理工大学 | 一种基于交互注意力卷积神经网络的三维模型检索方法 |
| CN113688171A (zh) * | 2021-08-24 | 2021-11-23 | 北京工商大学 | 一种基于图卷积神经网络的列车制动故障检测方法及系统 |
| CN116434220A (zh) * | 2023-04-24 | 2023-07-14 | 济南大学 | 基于描述符和AdaBoost算法的三维物体分类方法及系统 |
| CN116434220B (zh) * | 2023-04-24 | 2024-02-27 | 济南大学 | 基于描述符和AdaBoost算法的三维物体分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111078913A (zh) | 基于多视图卷积神经网络的三维模型检索方法 | |
| Zhu | Research on road traffic situation awareness system based on image big data | |
| CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
| CN110069656B (zh) | 一种基于生成对抗网络的二维图片检索三维模型的方法 | |
| CN109658445A (zh) | 网络训练方法、增量建图方法、定位方法、装置及设备 | |
| CN112633350B (zh) | 一种基于图卷积的多尺度点云分类实现方法 | |
| CN109308486A (zh) | 基于深度学习的多源图像融合和特征提取算法 | |
| CN106844620B (zh) | 一种基于视图的特征匹配三维模型检索方法 | |
| CN111581414B (zh) | 服饰识别、分类及检索的方法、装置、设备及存储介质 | |
| CN105205135B (zh) | 一种基于主题模型的3d模型检索方法及其检索装置 | |
| CN105320764B (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
| CN111027140B (zh) | 基于多视角点云数据的飞机标准件模型快速重构方法 | |
| Zhu et al. | Efficient action detection in untrimmed videos via multi-task learning | |
| CN113361636B (zh) | 一种图像分类方法、系统、介质及电子设备 | |
| CN110969648A (zh) | 一种基于点云序列数据的3d目标跟踪方法及系统 | |
| Feng et al. | Point cloud registration algorithm based on the grey wolf optimizer | |
| CN112489119A (zh) | 一种增强可靠性的单目视觉定位方法 | |
| CN114358109A (zh) | 特征提取模型训练、样本检索方法、装置和计算机设备 | |
| CN114882537A (zh) | 一种基于神经辐射场的手指新视角图像生成方法 | |
| Sugimura et al. | Three-dimensional point cloud object detection using scene appearance consistency among multi-view projection directions | |
| Khoi et al. | Object detection for drones on Raspberry Pi potentials and challenges | |
| Nie et al. | The assessment of 3D model representation for retrieval with CNN-RNN networks | |
| CN105868324B (zh) | 一种基于隐含状态模型的多视角目标检索方法 | |
| Han et al. | Cultural and creative product design and image recognition based on the convolutional neural network model | |
| CN116664867A (zh) | 一种基于多证据融合选取训练样本的特征提取方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200428 |